hdu_2059 龟兔赛跑

原题链接:http://acm.hdu.edu.cn/showproblem.php?pid=2059

分析:

        要看谁赢谁输,只要看他们分别抵达终点的时间就可以了。

       兔子的时间容易算  time1=L/VR;

       乌龟的时间 time2,就是一个DP问题了。

        p[i],存第i个充电站的位置。做预处理,

        p[0]=0   //假设出发点是一个充电站。

                  p[N+1]=L,   //假设终点是一个充电站。

         Dp[i],存到第i个充电站有的最短时间。故我们要求得DP[N+1];


        这里我们求到第3个充电站用地最短时间;

        在第二充电站时,有充电或者不充电到达dp[3];  两电站之间的距离 Len=p[3]-p[2]

          不充电用时  : T1=Len/VT2;

          充电用时:    T2=T   //充电用时

                  C < Len : T2=C/VT1+(Len-C)/VT2;    //充电后走这段路用时

                  C >= Len : T2=Len/VT2;   //充电后走这段路用时

         所以又 DP[3]=DP[2]+min(T1,T2);

     同理我们还要比较从dp[1],dp[3],的情况;从dp[0],dp[3],的情况。使其得到一个最短的DP[3];

我的代码:

#include<stdio.h>
int L;
int N,C,T;
int VR,VT1,VT2;
int p[110];
double dp[110];
double  min(double a,double b)
{
    return a>b?b:a;
}
int main()
{
    while(scanf("%d",&L)!=EOF)
    {
        scanf("%d%d%d",&N,&C,&T);
        scanf("%d%d%d",&VR,&VT1,&VT2);
        for(int i=1;i<=N;i++) scanf("%d",p+i);
        p[0]=0;
        p[N+1]=L;
        for(int i=0;i<=N+1;i++) dp[i]=0xffffff; //找最下值,赋最大初始值。
        dp[0]=0.0;
        for(int i=1;i<=N+1;i++)
        {
            for(int j=0;j<i;j++){
                int len=p[i]-p[j];
                double time2=1.0*len/VT2; //不充电用时
                double time1 =T    ; //充电用时
                if(j==0) time1=0.0;   //从起点出发,不用充电时间。
                if(len<=C)
                    time1+=1.0*len/VT1;
                else
                    time1+=1.0*C/VT1+1.0*(len-C)/VT2;
                double time=min(time1,time2);
                dp[i]=min(dp[i],dp[j]+time);
            }
        }
        double rab_t=1.0*L/VR;
        if(rab_t>dp[N+1])  //兔子用时大于乌龟用时。
        {
            printf("What a pity rabbit!\n");
        }
        else
        {
            printf("Good job,rabbit!\n");
        }


    }


    return 0;
}

总结:注意从出发点开始的时候,不用加充电的时间T。


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。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、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