Power Network(最大流(EK算法))

本文介绍了一种解决电路网络最大消费量问题的方法,通过构建网络模型并使用最大流算法求解,具体步骤包括从源点到发电站、用户到汇点连边,以及根据电线连双向边,最终求解最大流。

http://poj.org/problem?id=1459

题意:有一个电路网络,每个节点可以产生、传递、消耗若干电量,有点线连接结点,每个电线有最大传输量,求这个网络的最大消费量。

思路:从源点到发电站连边,流量为发电量,从用户到汇点连边,流量为消费量,再根据电线连双向边,求最大流即可。

 1 #include<stdio.h>
 2 #include<string.h>
 3 #include<queue>
 4 const int N=220;
 5 const int INF=1<<28;
 6 using namespace std;
 7 int map[N][N];
 8 int pre[N];
 9 int n,np,nc,m;
10 
11 int bfs(int s,int d)
12 {
13     queue<int>q;
14     memset(pre,-1,sizeof(pre));
15     pre[s] = 0;
16     int k;
17     q.push(s);
18     while(!q.empty())
19     {
20         k = q.front();
21         q.pop();
22         for (int i = 0; i <= n+1; i ++)
23         {
24             if (pre[i]==-1 && map[k][i] > 0)
25             {
26                 pre[i] = k;
27                 if (i==d)
28                     return 1;
29                 q.push(i);
30             }
31         }
32     }
33     return 0;
34 }
35 int maxflow(int s,int d)
36 {
37     int maxf = 0;
38     while(bfs(s,d))
39     {
40         int minf = INF;
41         for (int i = d; i!=s; i = pre[i])
42             //minf = minf < map[pre[i]][i] ? minf:map[pre[i]][i];
43             minf = min(minf,map[pre[i]][i]);
44         for (int i = d; i!=s; i = pre[i])
45         {
46             map[pre[i]][i] -= minf;
47             map[i][pre[i]] += minf;
48         }
49         maxf += minf;
50     }
51     return maxf;
52 }
53 int main()
54 {
55     int s,d;
56     int u,v,w;
57     char str[32];
58     while(~scanf("%d%d%d%d",&n,&np,&nc,&m))
59     {
60         memset(map,0,sizeof(map));
61         s = n;
62         d = n+1;
63         for (int i = 0; i < m; i ++)
64         {
65             scanf("%s",str);
66             sscanf(str,"(%d,%d)%d",&u,&v,&w);
67             map[u][v] = w;
68 
69         }
70         for (int i = 0; i < np; i ++)
71         {
72             scanf("%s",str);
73             sscanf(str,"(%d)%d",&v,&w);
74             map[s][v] = w;
75         }
76         for (int i = 0; i < nc; i ++)
77         {
78             scanf("%s",str);
79             sscanf(str,"(%d)%d",&u,&w);
80             map[u][d] = w;
81         }
82         printf("%d\n",maxflow(s,d));
83     }
84     return  0;
85 }
View Code

 

转载于:https://www.cnblogs.com/lahblogs/p/3257642.html

% 清空工作区和图形窗口 clear; clc; close all; % 设置随机种子和节点数 rng(134); N = 100; K = 10; % 保持一致的 K 值 r_values = 4:2:20; mu = 1e-4; % 防止矩阵求逆出现奇异 % 图生成和信号设置 G = gsp_erdos_renyi(N, 0.2); L_struct = gsp_create_laplacian(G); L = full(double(L_struct.L)); [V, D] = eig(L); d = diag(D); [~, idx] = sort(d); V = V(:, idx); % V为N×N特征向量矩阵,每一列是一个特征向量 d = d(idx); x_true = V(:, 1:K) * 0.5 * rand(K, 1); % 真实信号 SNR_dB = 10; % 信噪比为10dB % 计算信号功率 signal_power = mean(x_true.^2); % 根据信噪比公式计算噪声功率(SNR = 10*log10(signal_power/noise_power)) noise_power = signal_power / (10^(SNR_dB/10)); % 计算噪声标准差 noise_std = sqrt(noise_power); % 存储MSE结果 mse_agg = zeros(size(r_values)); % 单阶段结果 mse_two_stage = zeros(size(r_values)); % 两阶段结果 %% 算法1:原始 Multi-Aggregation Sampling(单阶段贪心) for idx_r = 1:length(r_values) r = r_values(idx_r); fprintf('Single-stage: Running with r = %d\n', r); S = []; remaining_nodes = 1:N; Fisher_info = zeros(K, K); for k = 1:r best_node = []; min_trace = inf; for candidate = remaining_nodes % 关键修改:vi = V(:, candidate)(取第candidate列,列向量) vi = V(:, candidate); Psi_vi = zeros(K, N); for j = 1:N for i = 1:K Psi_vi(i, j) = d(j)^(i-1); end end Psi_vi = Psi_vi * diag(vi); Psi_vi_EK = Psi_vi * eye(N, K); A_i = Psi_vi_EK' * Psi_vi_EK; Fisher_new = Fisher_info + A_i; Cf_new = pinv(Fisher_new + mu * eye(K)); Co_new = V(:, 1:K) * Cf_new * V(:, 1:K)'; trace_total = trace(Co_new); if trace_total < min_trace min_trace = trace_total; best_node = candidate; end end vi_selected = V(:, best_node); Psi_vi_sel = zeros(K, N); for j = 1:N for i = 1:K Psi_vi_sel(i, j) = d(j)^(i-1); end end Psi_vi_sel = Psi_vi_sel * diag(vi_selected); Psi_vi_EK_sel = Psi_vi_sel * eye(N, K); Fisher_info = Fisher_info + Psi_vi_EK_sel' * Psi_vi_EK_sel; S = [S, best_node]; remaining_nodes(remaining_nodes == best_node) = []; end % 构造 H_S 矩阵(Kr × K 阶) H_S = []; for i = 1:length(S) s = S(i); % 关键修改:vi = V(:, s)(列向量) vi = V(:, s); % 计算 Psi_vi Psi_vi = zeros(K, N); for j = 1:N for k = 1:K Psi_vi(k, j) = d(j)^(k-1); end end Psi_vi = Psi_vi * diag(vi); % 计算 Psi_vi_EK Psi_vi_EK = Psi_vi * eye(N, K); % 将 Psi_vi_EK 垂直堆叠到 H_S 中 H_S = [H_S; Psi_vi_EK]; end % 获取观测值 z_S (Kr × 1 向量) z_S = H_S * (V(:, 1:K)' * x_true) + noise_std * randn(size(H_S, 1), 1); % 使用正规方程求解:X_K_est = ((H_S^T H_S)^(-1)) H_S^T z_S HtH = H_S' * H_S; X_K_est = (HtH + mu * eye(K)) \ (H_S' * z_S); % 重构信号 x_recon = V(:, 1:K) * X_K_est; % 计算 MSE mse_agg(idx_r) = mean((x_true - x_recon).^2); end %% 算法2:Two-Stage Aggregation Sampling(两阶段贪心) for idx_r = 1:length(r_values) r = r_values(idx_r); fprintf('Two-stage: Running with r = %d\n', r); % 第一阶段:筛选2r个候选节点U U = []; A_i_cache = cell(N, 1); remaining_nodes = 1:N; for k = 1:2*r best_node = []; max_trace = -inf; for candidate = remaining_nodes if isempty(A_i_cache{candidate}) % 关键修改:vi = V(:, candidate)(列向量) vi = V(:, candidate); Psi_vi = zeros(K, N); for j = 1:N for i = 1:K Psi_vi(i, j) = d(j)^(i-1); end end Psi_vi = Psi_vi * diag(vi); Psi_vi_EK = Psi_vi * eye(N, K); A_i_cache{candidate} = Psi_vi_EK' * Psi_vi_EK; end A_i = A_i_cache{candidate}; trace_val = trace(A_i); if trace_val > max_trace max_trace = trace_val; best_node = candidate; end end U = [U, best_node]; remaining_nodes(remaining_nodes == best_node) = []; end % 第二阶段:从候选U中贪心选择r个节点 S = []; Fisher_info = zeros(K, K); remaining_nodes_U = U; for k = 1:r best_node = []; min_trace = inf; for candidate = remaining_nodes_U A_i = A_i_cache{candidate}; Fisher_new = Fisher_info + A_i; Cf_new = pinv(Fisher_new + mu * eye(K)); Co_new = V(:, 1:K) * Cf_new * V(:, 1:K)'; trace_total = trace(Co_new); if trace_total < min_trace min_trace = trace_total; best_node = candidate; end end Fisher_info = Fisher_info + A_i_cache{best_node}; S = [S, best_node]; remaining_nodes_U(remaining_nodes_U == best_node) = []; end % 构造 H_S 矩阵(Kr × K 阶) H_S = []; for i = 1:length(S) s = S(i); % 关键修改:vi = V(:, s)(列向量) vi = V(:, s); % 计算 Psi_vi Psi_vi = zeros(K, N); for j = 1:N for k = 1:K Psi_vi(k, j) = d(j)^(k-1); end end Psi_vi = Psi_vi * diag(vi); % 计算 Psi_vi_EK Psi_vi_EK = Psi_vi * eye(N, K); % 将 Psi_vi_EK 垂直堆叠到 H_S 中 H_S = [H_S; Psi_vi_EK]; end % 获取观测值 z_S (Kr × 1 向量) z_S = H_S * (V(:, 1:K)' * x_true) + noise_std * randn(size(H_S, 1), 1); % 使用正规方程求解:X_K_est = ((H_S^T H_S)^(-1)) H_S^T z_S HtH = H_S' * H_S; X_K_est = (HtH + mu * eye(K)) \ (H_S' * z_S); % 重构信号 x_recon = V(:, 1:K) * X_K_est; % 计算 MSE mse_two_stage(idx_r) = mean((x_true - x_recon).^2); end %% A-最优贪心算法 mse_aopt = zeros(size(r_values)); for idx_r2 = 1:length(r_values) r = r_values(idx_r2); fprintf('A-Optimal: Running with r = %d\n', r); S2 = []; remaining_nodes = 1:N; for k = 1:r best_node = []; min_trace = inf; for candidate = remaining_nodes current_S = [S2, candidate]; V_SK = V(current_S, 1:K); Fisher_info = V_SK' * V_SK + mu * eye(K); Cov = inv(Fisher_info); trace_cov = trace(Cov); if trace_cov < min_trace min_trace = trace_cov; best_node = candidate; end end S2 = [S2, best_node]; remaining_nodes(remaining_nodes == best_node) = []; end % 观测和重构 x_sampled = x_true(S2); z_S2 = x_sampled + noise_std * randn(length(S2), 1); V_SK = V(S2, 1:K); X_K_est2 = V_SK \ z_S2; x_recon2 = V(:, 1:K) * X_K_est2; % 计算 MSE mse_aopt(idx_r2) = mean((x_true - x_recon2).^2); end %% 绘图对比 figure; plot(r_values, mse_agg, '-o', 'DisplayName', 'Algorithm1', ... 'MarkerIndices', 1:length(r_values)); hold on; plot(r_values, mse_two_stage, '-s', 'DisplayName', 'Algorithm2', ... 'MarkerIndices', 1:length(r_values)); plot(r_values, mse_aopt, '-d', 'DisplayName', 'A-Optimal Sampling', ... 'MarkerIndices', 1:length(r_values)); xlabel('Number of Samples (r)'); ylabel('MSE'); legend('show'); grid on;能否将之前的无标度图应用在这段代码上,初始点50,最终点100,每次增加1条边
09-20
关于 阿里云盘CLI。仿 Linux shell 文件处理命令的阿里云盘命令行客户端,支持JavaScript插件,支持同步备份功能,支持相册批量下载。 特色 多平台支持, 支持 Windows, macOS, linux(x86/x64/arm), android, iOS 等 阿里云盘多用户支持 支持备份盘,资源库无缝切换 下载网盘内文件, 支持多个文件或目录下载, 支持断点续传和单文件并行下载。支持软链接(符号链接)文件。 上传本地文件, 支持多个文件或目录上传,支持排除指定文件夹/文件(正则表达式)功能。支持软链接(符号链接)文件。 同步备份功能支持备份本地文件到云盘,备份云盘文件到本地,双向同步备份保持本地文件和网盘文件同步。常用于嵌入式或者NAS等设备,支持docker镜像部署。 命令和文件路径输入支持Tab键自动补全,路径支持通配符匹配模式 支持JavaScript插件,你可以按照自己的需要定制上传/下载中关键步骤的行为,最大程度满足自己的个性化需求 支持共享相册的相关操作,支持批量下载相册所有普通照片、实况照片文件到本地 支持多用户联合下载功能,对下载速度有极致追求的用户可以尝试使用该选项。详情请查看文档多用户联合下载 如果大家有打算开通阿里云盘VIP会员,可以使用阿里云盘APP扫描下面的优惠推荐码进行开通。 注意:您需要开通【三方应用权益包】,这样使用本程序下载才能加速,否则下载无法提速。 Windows不第二步打开aliyunpan命令行程序,任何云盘命令都有类似如下日志输出 如何登出和下线客户端 阿里云盘单账户最多只允许同时登录 10 台设备 当出现这个提示:你账号已超出最大登录设备数量,请先下线一台设备,然后重启本应用,才可以继续使用 说明你的账号登录客户端已经超过数量,你需要先登出其他客户端才能继续使用,如下所示
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  | 博主筛选后可见
 
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