rqnoj-17-过河

本文探讨了在压缩过程中如何避免陷入最小值陷阱,并提出了基于特定条件的优化策略。通过实例代码展示了如何调整参数以达到更好的压缩效果。重点讨论了算法优化、复杂度管理和实际应用之间的平衡。

压缩状态有点坑,不一定是以最小值的去压缩,多压点。


#include<iostream>
#define MIN(a,b) (a<b?a:b)
#include<algorithm>
#define update() for(int i=0;i<=t;i++) f[i]=f[i+1]
using namespace std;
int l,s,t,m;
int d0[110];
int d[110];
int f[20000];
int flag[20000];
int ans=2000000000;
int main()
{
    //freopen("across river.in","r",stdin);
	//freopen("across river.out","w",stdout);
	cin>>l>>s>>t>>m;
	for(int i=1;i<=m;i++) cin>>d0[i];
	sort(d0+1,d0+m+1);
	if(1)
	{
		for(int i=1;i<=m;i++)
		{
			if(d0[i]-d0[i-1]>(t/(t-s+1)*t)) d[i]=d[i-1]+(t/(t-s+1)*t);
			else d[i]=d[i-1]+(d0[i]-d0[i-1]);
			flag[d[i]]=1;
		}
		l=d[m];
		for(int i=1;i<=l+t;i++) f[i]=2000000000;
		for(int i=1;i<=l+t;i++)
				for(int j=s;j<=t;j++)
					if(i-j>=0) f[i]=MIN(f[i],f[i-j]+flag[i]);
		for(int i=0;i<=t;i++) ans=MIN(ans,f[l+i]);
	}
	else
	{
		ans=0;
		for(int i=1;i<=m;i++)
			if(d0[i]%s==0) ans++;
	}
	cout<<ans<<endl;
	return 0;
}



#include<iostream>
#define MIN(a,b) (a<b?a:b)
#include<algorithm>
using namespace std;
int l,s,t,m;
int d0[110];
int d[110];
int f[20000];
int flag[20000];
int ans=2000000000;
int main()
{
	cin>>l>>s>>t>>m;
	for(int i=1;i<=m;i++) cin>>d0[i];
	sort(d0+1,d0+m+1);
	if(s!=t)
	{
		for(int i=1;i<=m;i++)
		{
			if(d0[i]-d0[i-1]>100) d[i]=d[i-1]+100;
			else d[i]=d[i-1]+(d0[i]-d0[i-1]);
			flag[d[i]]=1;
		}
		l=d[m];
		for(int i=1;i<=l+t;i++) f[i]=2000000000;
		for(int i=1;i<=l+t;i++)
				for(int j=s;j<=t;j++)
					if(i-j>=0) f[i]=MIN(f[i],f[i-j]+flag[i]);
		for(int i=0;i<=t;i++) ans=MIN(ans,f[l+i]);
	}
	else
	{
		ans=0;
		for(int i=1;i<=m;i++)
			if(d0[i]%s==0) ans++;
	}
	cout<<ans<<endl;
	return 0;
}



内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合群:具备一定Python编程基础和优化算法基础知识的高校学生、科研员及工程技术员,尤其适合从事工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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