[ 联合省选 2020 A | B ] 冰火战士 题解

题目

学校里面写这道题的时候洛谷炸了,自己搞出来了。

Part 0

记当前温度为 T T T ,小于等于 T T T 火战士能量和为 f 1 ( T ) f1(T) f1(T) , 大于等于 T T T 冰战士能量和为 f 2 ( T ) f2(T) f2(T)

由于能量有剩余的战士会一直战斗下去,此温度下的能量和应该为 2 × min ⁡ ( f 1 ( T ) , f 2 ( T ) ) 2\times\min (f1(T),f2(T)) 2×min(f1(T),f2(T))

而对于 f 1 ( T ) , f 2 ( T ) f1(T),f2(T) f1(T),f2(T) 的计算,我们将温度作为下标,即为对于温度 T T T 的前缀和 / 后缀和,考虑使用树状数组。

注意到温度 ≤ 1 0 9 \le 10^9 109 Q ≤ 2 × 1 0 6 Q \le 2\times 10^6 Q2×106 ,将温度离散化。

Part 1

我们枚举温度 T T T ,找到能取到能量最大值的最大温度,时间复杂度 O ( Q 2 log ⁡ Q ) O(Q^2 \log Q) O(Q2logQ)

Part 2

答案应该为随 T T T 的增大的单峰函数,但是由于最大值可能有很多个,三分法不方便实现。

f 1 ( T ) , f 2 ( T ) f1(T),f2(T) f1(T),f2(T) 应该随着 T T

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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