Corn Fields POJ - 3254(状态压缩DP入门题目)

本文介绍了一个使用状态压缩动态规划(状压DP)解决牧场放牧问题的方法。在一个M×N的牧场中,部分格子可以放牧而部分不可以,且相邻格子不能同时放牧。通过状态压缩技巧,将所有可能的状态转化为二进制表示,并设计状态转移方程,最终求得所有合法的放牧方案数量。

题目大意

M×N大小的牧场分成M×N个格子,有的格子可以放牧(标记为 1 ) 有的不可以放牧标记为0。相邻的格子不能都放牧。问一共有多少种放牧方式。

思路

第一次接触状压dp,开始觉得很难,慢慢发现其实求是将状态用二进制来保存,类似于hash思想,有了状态就可以考虑状态转移方程了用d[i][j] 表示第i行状态编号为j时前i行一共有多少种状态,可以写出递推式:

d[i][j] = sum{ d[i-1][k] , 状态k与状态j不冲突 }

最后的总状态数就是

sum { d[M][i] } (i遍历所有状态)

代码

#include <cstdio>
#include <cstring>
typedef long long ll;
const int maxn = 20, maxstate = 400, mod = 100000000;

int cur[maxn];
int state[maxstate];
int d[maxn][maxstate];
int M, N, top;

inline bool ok(int x) { //判断状态x是否可行
    if(x&x<<1) return false;
    return true;
}

void init() {
    top = 0;
    memset(d, 0, sizeof(d));
    int total = 1 << N;
    for(int i=0;i<total;i++) {
        if(ok(i)) state[++top] = i;        // 找到所有在同一行不相邻的状态
    }
}

void input() {
    for(int i=1;i<=M;i++) {
        cur[i] = 0;
        int num;
        for(int j=1;j<=N;j++) {
            scanf("%d", &num);
            if(num==0) {
                cur[i] += (1<<(N-j));      // 每行不能放牧的地方标记成1,方便处理
            }
        }
    }
}

inline bool fit(int x, int k)
{
    if(x & cur[k]) return false;            // 看一下不能放牧的地方是否放了
    return true;
}
ll dp() {
    for(int i=1;i<=top;i++) {
        if(fit(state[i], 1)) {
            d[1][i] = 1;
        }
    }
    for(int i=2;i<=M;i++) {
        for(int k=1;k<=top;k++) {
            if(!fit(state[k], i)) continue;
            for(int j=1;j<=top;j++) {
                if(!fit(state[j], i-1)) continue;   // 在上一行找到一个合适的状态
                if(state[k]&state[j]) continue;  // 判断是否与第i行冲突
                d[i][k] = (d[i][k] + d[i-1][j]) % mod;
            }
        }
    }
    ll ans=0;
    for(int i=1;i<=top;i++) {
        ans = (ans + d[M][i]) % mod;
    }
    return ans;
}
int main() {
    //freopen("input.txt", "r", stdin);
    while(~scanf("%d%d", &M, &N)) {
        init();
        input();
        printf("%lld\n", dp());
    }
    return 0;
}
内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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