HDU 2586—— How far away ?

本文深入探讨了数据结构和算法优化的关键概念和技术,通过实际案例展示了如何利用数据结构优化来提升算法效率,并介绍了多种算法优化策略,旨在帮助开发者解决复杂问题时提高代码性能。

数据给的小,暴力了许多。


#include<cstdio>
#include<cstring>
#include<iostream>
using namespace std;
#define maxn 41000
#define maxm 100000
#define LL long long
struct Que
{
	int a,b;
	int vis;
	LL ans;
	void getData()
	{
		scanf("%d %d",&a,&b);
		vis=0;
	}
}que[210];
int head[maxn],v[maxm],next[maxm],cnt;
LL w[maxm];
LL dis[maxn];
int father[maxn];

int n,m;
void init()
{
	memset(dis,0,sizeof(dis));
	memset(head,-1,sizeof(head));
	for(int i=1;i<=n;i++)
		father[i]=i;
	cnt=0;
}
void add(int a,int b,LL c)
{
	v[cnt]=b;
	w[cnt]=c;
	next[cnt]=head[a];
	head[a]=cnt++;
}
int getFather(int x)
{
	if(father[x]==x)
		return x;
	return father[x]=getFather(father[x]);
}
void Union(int a,int b)
{
	father[b]=a;
}
void LCA(int x)
{
	for(int i=0;i<m;i++)
		if(que[i].vis==0)
		{
			if(x==que[i].a&&dis[que[i].b]!=0)	
			{
				que[i].ans=dis[x]+dis[que[i].b]-2*dis[getFather(que[i].b)];
				que[i].vis=1;
			}
			else 
			{
				if(x==que[i].b&&dis[que[i].a]!=0)	
				{
					que[i].ans=dis[x]+dis[que[i].a]-2*dis[getFather(que[i].a)];
					que[i].vis=1;
				}
			}
		}
	for(int i=head[x];~i;i=next[i])
	{
		int to=v[i];
		if(dis[to]==0)
		{
			dis[to]=dis[x]+w[i];
			LCA(to);
			Union(x,to);
		}
	}
	
			
}
int main()
{
	int t;
	int a,b;
	LL c;
	cin>>t;
	while(t--)
	{
		cin>>n>>m;
		init();
		for(int i=0;i<n-1;i++)
		{
			scanf("%d%d%I64d",&a,&b,&c);
			add(a,b,c);
			add(b,a,c);
		}
		for(int i=0;i<m;i++)
			que[i].getData();
		LCA(1);
		for(int i=0;i<m;i++)
			printf("%I64d\n",que[i].ans);
	}
	return 0;
}


MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值