Investigation LightOJ - 1068(数位DP)

本文介绍了一种使用数位DP方法解决特定区间内数字每位之和及整个数模k等于0的问题。通过记忆化搜索优化,避免重复计算,提高了算法效率。文章详细解释了状态转移方程,并提供了完整的代码实现。

题目大意:

找到[L, R] 这个区间每位之和%k==0,并且这个数%k==0的数的个数。

思路:

数位dp,基本上就是板子题啦,d[pos][digit_mod][all_mod],记录结果,然后,记忆化搜索。

代码

#include <bits/stdc++.h>

using namespace std;

int d[11][99][99], a[11];
int mod;
int dp(int pos, int dig_mod, int all_mod, bool limit)
{
    if(!pos) return !dig_mod && !all_mod;
    if(!limit && ~d[pos][dig_mod][all_mod]) return d[pos][dig_mod][all_mod];
    int up = limit ? a[pos] : 9, ret = 0;
    for(int i = 0; i <= up; i++) {
        ret += dp(pos - 1, (dig_mod + i) % mod, (all_mod * 10 + i) % mod, i == up && limit);
    }
    if(!limit) d[pos][dig_mod][all_mod]=ret;
    return ret;
}

int solve(int x) {
    int len = 0;
    while(x) a[++len] = x % 10, x /= 10;
    return dp(len, 0, 0, true);
}

int main()
{
    int T;    
    cin >> T;
    for(int cas = 1; cas <= T; cas++) {
        memset(d, -1, sizeof(d));
        int L, R;
        cin >> L >> R >> mod;
         
        cout << "Case " << cas << ": " << ( mod > 90 ?  0 : solve(R) - solve(L - 1)) << endl;
    }
    return 0;
}
内容概要:本文围绕六自由度机械臂的人工神经网络(ANN)设计展开,重点研究了正向与逆向运动学求解、正向动力学控制以及基于拉格朗日-欧拉法推导逆向动力学方程,并通过Matlab代码实现相关算法。文章结合理论推导与仿真实践,利用人工神经网络对复杂的非线性关系进行建模与逼近,提升机械臂运动控制的精度与效率。同时涵盖了路径规划中的RRT算法与B样条优化方法,形成从运动学到动力学再到轨迹优化的完整技术链条。; 适合人群:具备一定机器人学、自动控制理论基础,熟悉Matlab编程,从事智能控制、机器人控制、运动学六自由度机械臂ANN人工神经网络设计:正向逆向运动学求解、正向动力学控制、拉格朗日-欧拉法推导逆向动力学方程(Matlab代码实现)建模等相关方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握机械臂正/逆运动学的数学建模与ANN求解方法;②理解拉格朗日-欧拉法在动力学建模中的应用;③实现基于神经网络的动力学补偿与高精度轨迹跟踪控制;④结合RRT与B样条完成平滑路径规划与优化。; 阅读建议:建议读者结合Matlab代码动手实践,先从运动学建模入手,逐步深入动力学分析与神经网络训练,注重理论推导与仿真实验的结合,以充分理解机械臂控制系统的设计流程与优化策略。
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