业余笔记·收智商税的题

本文探讨了ACM竞赛中非传统算法题目的解决思路,通过实例分析展现了旁门左道的魅力。深入讲解了“救公主”等题目背后的策略,并分享了比赛心态调整的重要性。代码示例展示了如何巧妙处理复杂债务网络,实现高效匹配。

怎么说这类问题呢,感觉终属旁门左道,而且有点背离了算法竞赛的初衷。但确实比赛中会有(2019南京区域赛救公主那道题),而且想到时会有豁然开朗的感觉,这也是ACM迷人的地方之一。
况且,ACM本来就不叫算法设计大赛鸭。。。

C. Game with Chips

原题地址
在这里插入图片描述
在这里插入图片描述
代码:
先把所有点集中到右下角,然后遍历一遍图。
和输入一点毛关系没有你敢信?
一开始读了假题,然后心态一直崩,越做越崩。。。
时隔一年再次div2只A了两题

D. Decreasing Debts

原题地址
在这里插入图片描述
在这里插入图片描述
代码:
刚看题的时候想了很多算法,网络流、匈牙利。。。
结果看了眼题解。。。题解

#include<iostream>
#include<vector>
#include<queue>
#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;
const int N = 3e5 + 1000;
typedef long long ll;
ll v[N];
vector<int> in, out, ans1, ans2;
vector<ll> ans3;
int n, m;
int main()
{
	scanf("%d %d", &n, &m);
	while (m--)
	{
		int x, y; ll z;
		cin >> x >> y >> z;
		v[x] += z; //支出
		v[y] -= z;//收入 
	}
	for (int i = 1; i <= n; i++)
	{
		if (v[i] > 0) out.push_back(i); //支出 
		if (v[i] < 0) in.push_back(i);//收入 
	}
	int i = 0, j = 0;
	while (1)
	{
		if (i == out.size() && j == in.size()) break;
		ll value = min(v[out[i]], -v[in[j]]);
		ans1.push_back(out[i]);
		ans2.push_back(in[j]);
		ans3.push_back(value);
		v[out[i]] -= value;
		v[in[j]] += value;
		if (v[out[i]] == 0) i++; //换到下一个人匹配
		if (v[in[j]] == 0) j++;

	}
	cout << ans1.size() << endl;
	for (int i = 0; i < ans1.size(); i++)
	{
		cout << ans1[i] << " " << ans2[i] << " " << ans3[i] << endl;
	}
	return 0;
}

D Complete Tripartite

原题地址

参考博客

总感觉怪怪的

内容概要:本文围绕EKF SLAM(扩展卡尔曼滤波同步定位与地图构建)的性能展开多项对比实验研究,重点分析在稀疏与稠密landmark环境下、预测与更新步骤同时进行与非同时进行的情况下的系统性能差异,并进一步探讨EKF SLAM在有色噪声干扰下的鲁棒性表现。实验考虑了不确定性因素的影响,旨在评估不同条件下算法的定位精度与地图构建质量,为实际应用中EKF SLAM的优化提供依据。文档还提及多智能体系统在遭受DoS攻击下的弹性控制研究,但核心内容聚焦于SLAM算法的性能测试与分析。; 适合人群:具备一定机器人学、状态估计或自动驾驶基础知识的科研人员及工程技术人员,尤其是从事SLAM算法研究或应用开发的硕士、博士研究生和相关领域研发人员。; 使用场景及目标:①用于比较EKF SLAM在不同landmark密度下的性能表现;②分析预测与更新机制同步与否对滤波器稳定性与精度的影响;③评估系统在有色噪声等非理想观测条件下的适应能力,提升实际部署中的可靠性。; 阅读建议:建议结合MATLAB仿真代码进行实验复现,重点关注状态协方差传播、观测更新频率与噪声模型设置等关键环节,深入理解EKF SLAM在复杂环境下的行为特性。稀疏 landmark 与稠密 landmark 下 EKF SLAM 性能对比实验,预测更新同时进行与非同时进行对比 EKF SLAM 性能对比实验,EKF SLAM 在有色噪声下性能实验
内容概要:本文围绕“基于主从博弈的售电商多零售套餐设计与多级市场购电策略”展开,结合Matlab代码实现,提出了一种适用于电力市场化环境下的售电商优化决策模型。该模型采用主从博弈(Stackelberg Game)理论构建售电商与用户之间的互动关系,售电商作为领导者制定电价套餐策略,用户作为跟随者响应电价并调整用电行为。同时,模型综合考虑售电商在多级电力市场(如日前市场、实时市场)中的【顶级EI复现】基于主从博弈的售电商多零售套餐设计与多级市场购电策略(Matlab代码实现)购电组合优化,兼顾成本最小化与益最大化,并引入不确定性因素(如负荷波动、可再生能源出力变化)进行鲁棒或随机优化处理。文中提供了完整的Matlab仿真代码,涵盖博弈建模、优化求解(可能结合YALMIP+CPLEX/Gurobi等工具)、结果可视化等环节,具有较强的可复现性和工程应用价值。; 适合人群:具备一定电力系统基础知识、博弈论初步认知和Matlab编程能力的研究生、科研人员及电力市场从业人员,尤其适合从事电力市场运营、需求响应、售电策略研究的相关人员。; 使用场景及目标:① 掌握主从博弈在电力市场中的建模方法;② 学习售电商如何设计差异化零售套餐以引导用户用电行为;③ 实现多级市场购电成本与风险的协同优化;④ 借助Matlab代码快速复现顶级EI期刊论文成果,支撑科研项目或实际系统开发。; 阅读建议:建议读者结合提供的网盘资源下载完整代码与案例数据,按照文档目录顺序逐步学习,重点关注博弈模型的数学表达与Matlab实现逻辑,同时尝试对目标函数或约束条件进行扩展改进,以深化理解并提升科研创新能力。
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