uva_590_Always on the run (普通DP)

本文介绍了一个使用动态规划解决旅行成本问题的算法实现。通过状态dp[i][j]表示第i天到达城市j的最小花费,并利用状态转移方程dp[i][j]=dp[i-1][z]+cost[z][j]来求解从任意城市出发到指定城市的最低成本。
这个题目阶段性很明显,就是一个图的遍历
状态:dp[i][j] 表示第i天到达城市j的最小花费
状态转移:dp[i][j] = dp[i-1][z]+cost[z][j]
ans = dp[n][k]

#include <cstdio>
#include <cstring>
#include <algorithm>
using namespace std;

#define MAXN    11
#define MAXK    1001
#define INF     549755813888

typedef struct DAYTYPE_ {
        long long cnt, arr[MAXK];
}DAYTYPE;

long long dp[MAXK][MAXN];
DAYTYPE price[MAXN][MAXN];

long long get_price(const int &u, const int &v, const int &day)
{
        if( u == v ) {
                return INF;
        }
        int val = (day%price[u][v].cnt)? price[u][v].arr[ day%price[u][v].cnt ] : price[u][v].arr[ price[u][v].cnt ];
        return (val)? val : INF;
}

long long dynamic_programming(const int &n, const int &k)
{
        for(int i = 2; i <= n; i ++) {
                dp[1][i] = (price[1][i].arr[1])? price[1][i].arr[1] : INF;
        }
        for(int i = 2; i <= k; i ++) {
                for(int j = 1; j <= n; j ++) { dp[i][j] = INF;
                        for(int z = 1; z <= n; z ++) {
                                dp[i][j] = min(dp[i][j], (-1 == dp[i-1][z])? INF : dp[i-1][z] + get_price(z, j, i));
                        }
                }
        }
        return dp[k][n];
}

int main(int argc, char const *argv[])
{
#ifndef ONLINE_JUDGE
        freopen("test.in", "r", stdin);
#endif
        long long rst;
        int n, k, cnt, cas(1);
        while( scanf("%d %d", &n, &k) && n && k ) {
                memset(price, -1, sizeof(price)); memset(dp, -1, sizeof(dp));
                for(int i = 1; i <= n; i ++) {
                        for(int j = 1; j <= n; j ++) {
                                if( i == j ) { 
                                        continue;
                                }
                                scanf("%lld", &price[i][j].cnt);
                                for(int k = 1; k <= price[i][j].cnt; k ++) {
                                        scanf("%lld", &price[i][j].arr[k]);
                                }
                        }
                }
                printf("Scenario #%d\n", cas ++);
                if( (rst = dynamic_programming(n, k)) >= INF ) {
                        printf("No flight possible.\n\n"); continue;
                }
                printf("The best flight costs %lld.\n\n", rst);
        }
        return 0;
}

提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
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