bzoj1003:[ZJOI2006]物流运输

本文介绍了一道结合动态规划与最短路径算法的题目,通过定义状态(f[i])来表示到达第(i)天的最小成本,并利用SPFA算法进行状态转移,最终给出了解决方案。

传送门

开始刷第一版的题,一个dp+最短路的题,不算太难
设出状态\(f[i]\)表示当前到第\(i\)天的最小成本
由于变更路线是要花钱的,那么转移考虑上一次变更道路的位置就好了
代码:

#include<cstdio>
#include<iostream>
#include<algorithm>
#include<queue>
#include<cstring>
using namespace std;
void read(int &x) {
    char ch; bool ok;
    for(ok=0,ch=getchar(); !isdigit(ch); ch=getchar()) if(ch=='-') ok=1;
    for(x=0; isdigit(ch); x=x*10+ch-'0',ch=getchar()); if(ok) x=-x;
}
#define rg register
const int maxn=1010;
int dis[30],cnt,n,m,k,e,d,f[110],pre[maxn],nxt[maxn],h[21],v[maxn];
bool vis[30],used[30],g[30][110];
queue<int>q;
void add(int x,int y,int z)
{
    pre[++cnt]=y,nxt[cnt]=h[x],h[x]=cnt,v[cnt]=z;
    pre[++cnt]=x,nxt[cnt]=h[y],h[y]=cnt,v[cnt]=z;
}
void spfa()
{
    memset(dis,63,sizeof dis);q.push(1),dis[1]=0;
    while(!q.empty())
    {
        int x=q.front();q.pop();vis[x]=0;
        for(rg int i=h[x];i;i=nxt[i])
            if(!used[pre[i]]&&dis[pre[i]]>dis[x]+v[i])
            {
                dis[pre[i]]=dis[x]+v[i];
                if(!vis[pre[i]])vis[pre[i]]=1,q.push(pre[i]);
            }
    }
}
int main()
{
    read(n),read(m),read(k),read(e);
    for(rg int i=1,x,y,z;i<=e;i++)read(x),read(y),read(z),add(x,y,z);
    read(d);
    for(rg int i=1,p,x,y;i<=d;i++)
    {
        read(p),read(x),read(y);
        for(rg int j=x;j<=y;j++)g[p][j]=1;
    }
    memset(f,63,sizeof f);f[0]=0;
    for(rg int i=1;i<=n;i++)
    {
        memset(used,0,sizeof used);
        for(rg int j=i;j;j--)
        {
            for(rg int k=1;k<=m;k++)used[k]|=g[k][j];
            spfa();if(dis[m]>1e9)break;
            f[i]=min(f[i],f[j-1]+dis[m]*(i-j+1)+k);
        }
    }
    printf("%d\n",f[n]-k);
}

转载于:https://www.cnblogs.com/lcxer/p/10584322.html

内容概要:本文介绍了一个基于MATLAB实现的无人机三维路径规划项目,采用蚁群算法(ACO)与多层感知机(MLP)相结合的混合模型(ACO-MLP)。该模型通过三维环境离散化建模,利用ACO进行全局路径搜索,并引入MLP对环境特征进行自适应学习与启发因子优化,实现路径的动态调整与多目标优化。项目解决了高维空间建模、动态障碍规避、局部最优陷阱、算法实时性及多目标权衡等关键技术难题,结合并行计算与参数自适应机制,提升了路径规划的智能性、安全性和工程适用性。文中提供了详细的模型架构、核心算法流程及MATLAB代码示例,涵盖空间建模、信息素更新、MLP训练与融合优化等关键步骤。; 适合人群:具备一定MATLAB编程基础,熟悉智能优化算法与神经网络的高校学生、科研人员及从事无人机路径规划相关工作的工程师;适合从事智能无人系统、自动驾驶、机器人导航等领域的研究人员; 使用场景及目标:①应用于复杂三维环境下的无人机路径规划,如城市物流、灾害救援、军事侦察等场景;②实现飞行安全、能耗优化、路径平滑与实时避障等多目标协同优化;③为智能无人系统的自主决策与环境适应能力提供算法支持; 阅读建议:此资源结合理论模型与MATLAB实践,建议读者在理解ACO与MLP基本原理的基础上,结合代码示例进行仿真调试,重点关注ACO-MLP融合机制、多目标优化函数设计及参数自适应策略的实现,以深入掌握混合智能算法在工程中的应用方法。
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