【bzoj1221】[HNOI2001] 软件开发

本文介绍了一家软件公司在为期n天的开发计划中如何通过应用最小费用流算法来解决毛巾服务的成本优化问题。通过建立一个二分图模型,并引入源点S和汇点T,文章详细解释了如何构建边及其费用,最终求解出最小总花费。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Description

某软件公司正在规划一项n天的软件开发计划,根据开发计划第i天需要ni个软件开发人员,为了提高软件开发人员的效率,公司给软件人员提供了很多的服务,其中一项服务就是要为每个开发人员每天提供一块消毒毛巾,这种消毒毛巾使用一天后必须再做消毒处理后才能使用。消毒方式有两种,A种方式的消毒需要a天时间,B种方式的消毒需要b天(b>a),A种消毒方式的费用为每块毛巾fA, B种消毒方式的费用为每块毛巾fB,而买一块新毛巾的费用为f(新毛巾是已消毒的,当天可以使用);而且f>fA>fB。公司经理正在规划在这n天中,每天买多少块新毛巾、每天送多少块毛巾进行A种消毒和每天送多少块毛巾进行B种消毒。当然,公司经理希望费用最低。你的任务就是:为该软件公司计划每天买多少块毛巾、每天多少块毛巾进行A种消毒和多少毛巾进行B种消毒,使公司在这项n天的软件开发中,提供毛巾服务的总费用最低。

Input

第1行为n,a,b,f,fA,fB. 第2行为n1,n2,……,nn. (注:1≤f,fA,fB≤60,1≤n≤1000)

Output

最少费用

Sample Input

4 1 2 3 2 1
8 2 1 6
Sample Output

38

题解
把每天分为二分图两个集合中的顶点Xi,Yi,建立附加源S汇T。
1、从S向每个Xi连一条容量为ni,费用为0的有向边。
2、从每个Yi向T连一条容量为ni,费用为0的有向边。
3、从S向每个Yi连一条容量为无穷大,费用为f的有向边。
4、从每个Xi向Xi+1(i+1<=N)连一条容量为无穷大,费用为0的有向边。
5、从每个Xi向Yi+a+1(i+a+1<=N)连一条容量为无穷大,费用为fa的有向边。
6、从每个Xi向Yi+b+1(i+b+1<=N)连一条容量为无穷大,费用为fb的有向边。
求网络最小费用最大流,费用流值就是要求的最小总花费。

代码

#include<bits/stdc++.h>
#define ll long long
#define inf 0x7fffffff
#define mod 1000000007
using namespace std;
inline int read()
{
    int x=0,f=1;char ch=getchar();
    while (ch<'0'||ch>'9'){if (ch=='-') f=-1;ch=getchar();}
    while (ch>='0'&&ch<='9'){x=x*10+ch-'0';ch=getchar();}
    return x*f;
}
int n,f,a,b,fa,fb,ans,tot,S,T;
int from[2005],q[2005],dis[2005],Head[2005];
bool vis[2005];
struct data{int from,to,next,w,c;}e[1000001];
inline void ins(int u,int v,int w,int c)
{
    tot++;
    e[tot].to=v;e[tot].from=u;
    e[tot].w=w;e[tot].c=c;
    e[tot].next=Head[u];Head[u]=tot;
}
inline void insert(int u,int v,int w,int c)
{
    ins(u,v,w,c);ins(v,u,0,-c);
}
inline bool spfa()
{
    for (int i=0;i<=T;i++) dis[i]=inf;
    queue<int>q;q.push(S);dis[S]=0;vis[S]=1;
    while (!q.empty())
    {
        int now=q.front();q.pop();
        for (int i=Head[now];i;i=e[i].next)
            if (dis[e[i].to]>dis[now]+e[i].c&&e[i].w)
            {
                from[e[i].to]=i;
                dis[e[i].to]=dis[now]+e[i].c;
                if (!vis[e[i].to])
                {
                    vis[e[i].to]=1;
                    q.push(e[i].to);
                }
            }
        vis[now]=0;
    }
    if (dis[T]==inf)return 0;return 1;
}
void mcf()
{
    int i=from[T],x=inf;
    while (i)
    {
        x=min(x,e[i].w);
        i=from[e[i].from];
    }
    i=from[T];
    while (i)
    {
        ans+=e[i].c*x;
        e[i].w-=x;e[i^1].w+=x;
        i=from[e[i].from];
    }
}
int main()
{
    n=read();a=read();b=read();
    f=read();fa=read();fb=read();
    S=2*n+1;T=S+1;tot=1;
    for (int i=1;i<=n;i++)
    {
        int x=read();
        insert(S,i,x,0);
        insert(i+n,T,x,0);
        insert(S,i+n,inf,f);
        if (i+1<=n) insert(i,i+1,inf,0);
        if (i+a+1<=n) insert(i,i+n+a+1,inf,fa);
        if (i+b+1<=n) insert(i,i+n+b+1,inf,fb);
    }
    while (spfa()) mcf();
    printf("%d",ans);
    return 0;
}
内容概要:该论文研究增程式电动汽车(REEV)的能量管理策略,针对现有优化策略实时性差的问题,提出基于工况识别的自适应等效燃油消耗最小策略(A-ECMS)。首先建立整车Simulink模型和基于规则的策略;然后研究动态规划(DP)算法和等效燃油最小策略;接着通过聚类分析将道路工况分为四类,并设计工况识别算法;最后开发基于工况识别的A-ECMS,通过高德地图预判工况类型并自适应调整SOC分配。仿真显示该策略比规则策略节油8%,比简单SOC规划策略节油2%,并通过硬件在环实验验证了实时可行性。 适合人群:具备一定编程基础,特别是对电动汽车能量管理策略有兴趣的研发人员和技术爱好者。 使用场景及目标:①理解增程式电动汽车能量管理策略的基本原理;②掌握动态规划算法和等效燃油消耗最小策略的应用;③学习工况识别算法的设计和实现;④了解基于工况识别的A-ECMS策略的具体实现及其优化效果。 其他说明:此资源不仅提供了详细的MATLAB/Simulink代码实现,还深入分析了各算法的原理和应用场景,适合用于学术研究和工业实践。在学习过程中,建议结合代码调试和实际数据进行实践,以便更好地理解策略的优化效果。此外,论文还探讨了未来的研究方向,如深度学习替代聚类、多目标优化以及V2X集成等,为后续研究提供了思路。
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