网络流之 最大流模版

13 、最大流
	13.1 SAP邻接 矩阵形式
	/*
	* SAP算法(矩阵形式)
	* 结点编号从0开始
	*/
	const int MAXN=1100;
int maze[MAXN][MAXN];
int gap[MAXN],dis[MAXN],pre[MAXN],cur[MAXN];
int sap(int start,int end,int nodenum)
{
	memset(cur,0,sizeof(cur));
	memset(dis,0,sizeof(dis));
	memset(gap,0,sizeof(gap));
	int u=pre[start]=start,maxflow=0,aug=-1;
	gap[0]=nodenum;
	while(dis[start]<nodenum)
	{
loop:
		for(int v=cur[u];v<nodenum;v++)
			if(maze[u][v] && dis[u]==dis[v]+1)
			{
				if(aug==-1 || aug>maze[u][v])aug=maze[u][v];
				pre[v]=u;
				u=cur[u]=v;
				if(v==end)
				{
					maxflow+=aug;
					for(u=pre[u];v!=start;v=u,u=pre[u])
					{
						maze[u][v]-=aug;
						maze[v][u]+=aug;
					}
					aug=-1;
				}
				goto loop;
			}
			int mindis=nodenum-1;
			for(int v=0;v<nodenum;v++)
				if(maze[u][v]&&mindis>dis[v])
				{
					cur[u]=v;
					mindis=dis[v];
				}
				if((--gap[dis[u]])==0)break;
				gap[dis[u]=mindis+1]++;
				u=pre[u];
	}
	return maxflow;
}


13.2 SAP邻接矩阵形式 2
	保留原矩阵,可用于多次使最大流
	/*
	* SAP邻接矩阵形式
	* 点的编号从0开始
	* 增加个flow数组,保留原矩阵maze,可用于多次使用最大流
	*/
	const int MAXN=1100;
int maze[MAXN][MAXN];
int gap[MAXN],dis[MAXN],pre[MAXN],cur[MAXN];
int flow[MAXN][MAXN];//存最大流的容量
int sap(int start,int end,int nodenum)
{
	memset(cur,0,sizeof(cur));
	memset(dis,0,sizeof(dis));
	memset(gap,0,sizeof(gap));
	98 / 152 ACM模板 kuangbin
		memset(flow,0,sizeof(flow));
	int u=pre[start]=start,maxflow=0,aug=-1;
	gap[0]=nodenum;
	while(dis[start]<nodenum)
	{
loop:
		for(int v=cur[u];v<nodenum;v++)
			if(maze[u][v]-flow[u][v] && dis[u]==dis[v]+1)
			{
				if(aug==-1 || aug>maze[u][v]-flow[u][v])aug=maze[u][v]-flow[u][v];
				pre[v]=u;
				u=cur[u]=v;
				if(v==end)
				{
					maxflow+=aug;
					for(u=pre[u];v!=start;v=u,u=pre[u])
					{
						flow[u][v]+=aug;
						flow[v][u]-=aug;
					}
					aug=-1;
				}
				goto loop;
			}
			int mindis=nodenum-1;
			for(int v=0;v<nodenum;v++)
				if(maze[u][v]-flow[u][v]&&mindis>dis[v])
				{
					cur[u]=v;
					mindis=dis[v];
				}
				if((--gap[dis[u]])==0)break;
				gap[dis[u]=mindis+1]++;
				u=pre[u];
	}
	return maxflow;
}


13.3 ISAPSAPSAP邻接表形式
	const int MAXN = 100010;//点数的最大值
const int MAXM = 400010;//边数的最大值
const int INF = 0x3f3f3f3f;
struct Edge
{
	int to,next,cap,flow;
}edge[MAXM];//注意是MAXM
int tol;
int head[MAXN];
int gap[MAXN],dep[MAXN],pre[MAXN],cur[MAXN];
void init()
{
	tol = 0;
	memset(head,-1,sizeof(head));
}
//加边,单向图三个参数,双向图四个参数
void addedge(int u,int v,int w,int rw=0)
{
	edge[tol].to = v;edge[tol].cap = w;edge[tol].next = head[u];
	edge[tol].flow = 0;head[u] = tol++;
	edge[tol].to = u;edge[tol].cap = rw;edge[tol].next = head[v];
	edge[tol].flow = 0;head[v]=tol++;
}
//输入参数:起点、终点、点的总数
//点的编号没有影响,只要输入点的总数
int sap(int start,int end,int N)
{
	memset(gap,0,sizeof(gap));
	memset(dep,0,sizeof(dep));
	memcpy(cur,head,sizeof(head));
	int u = start;
	pre[u] = -1;
	gap[0] = N;
	int ans = 0;
	while(dep[start] < N)
	{
		if(u == end)
		{
			int Min = INF;
			for(int i = pre[u];i != -1; i = pre[edge[i^1].to])
				if(Min > edge[i].cap - edge[i].flow)
					Min = edge[i].cap - edge[i].flow;
			for(int i = pre[u];i != -1; i = pre[edge[i^1].to])
			{
				edge[i].flow += Min;
				edge[i^1].flow -= Min;
			}
			u = start;
			ans += Min;
			continue;
		}
		bool flag = false;
		int v;
		for(int i = cur[u]; i != -1;i = edge[i].next)
		{
			v = edge[i].to;
			if(edge[i].cap - edge[i].flow && dep[v]+1 == dep[u])
			{
				flag = true;
				cur[u] = pre[v] = i;
				break;
			}
		}
		if(flag)
		{
			u = v;
			continue;
		}
		int Min = N;
		for(int i = head[u]; i != -1;i = edge[i].next)
			if(edge[i].cap - edge[i].flow && dep[edge[i].to] < Min)
			{
				Min = dep[edge[i].to];
				cur[u] = i;
			}
			gap[dep[u]]--;
			if(!gap[dep[u]])return ans;
			dep[u] = Min+1;
			gap[dep[u]]++;
			if(u != start) u = edge[pre[u]^1].to;
	}
	return ans;
}


ISAP13.4  ISAP+bfs +bfs+bfs初始化 +栈优化
	const int MAXN = 100010;//点数的最大值
const int MAXM = 400010;//边数的最大值
const int INF = 0x3f3f3f3f;
struct Edge
{
	int to,next,cap,flow;
}edge[MAXM];//注意是MAXM
int tol;
int head[MAXN];
int gap[MAXN],dep[MAXN],cur[MAXN];
void init()
{
	tol = 0;
	memset(head,-1,sizeof(head));
}
void addedge(int u,int v,int w,int rw = 0)
{
	edge[tol].to = v; edge[tol].cap = w; edge[tol].flow = 0;
	edge[tol].next = head[u]; head[u] = tol++;
	edge[tol].to = u; edge[tol].cap = rw; edge[tol].flow = 0;
	edge[tol].next = head[v]; head[v] = tol++;
}
int Q[MAXN];
void BFS(int start,int end)
{
	memset(dep,-1,sizeof(dep));
	memset(gap,0,sizeof(gap));
	gap[0] = 1;
	int front = 0, rear = 0;
	dep[end] = 0;
	Q[rear++] = end;
	while(front != rear)
	{
		int u = Q[front++];
		for(int i = head[u]; i != -1; i = edge[i].next)
		{
			int v = edge[i].to;
			if(dep[v] != -1)continue;
			Q[rear++] = v;
			dep[v] = dep[u] + 1;
			gap[dep[v]]++;
		}
	}
}
int S[MAXN];
int sap(int start,int end,int N)
{
	BFS(start,end);
	memcpy(cur,head,sizeof(head));
	int top = 0;
	int u = start;
	int ans = 0;
	while(dep[start] < N)
	{
		if(u == end)
		{
			int Min = INF;
			int inser;
			for(int i = 0;i < top;i++)
				if(Min > edge[S[i]].cap - edge[S[i]].flow)
				{
					Min = edge[S[i]].cap - edge[S[i]].flow;
					inser = i;
				}
				for(int i = 0;i < top;i++)
				{
					edge[S[i]].flow += Min;
					edge[S[i]^1].flow -= Min;
				}
				ans += Min;
				top = inser;
				u = edge[S[top]^1].to;
				continue;
		}
		bool flag = false;
		int v;
		for(int i = cur[u]; i != -1; i = edge[i].next)
		{
			v = edge[i].to;
			if(edge[i].cap - edge[i].flow && dep[v]+1 == dep[u])
			{
				flag = true;
				cur[u] = i;
				break;
			}
		}
		if(flag)
		{
			S[top++] = cur[u];
			u = v;
			continue;
		}
		int Min = N;
		for(int i = head[u]; i != -1; i = edge[i].next)
			if(edge[i].cap - edge[i].flow && dep[edge[i].to] < Min)
			{
				Min = dep[edge[i].to];
				cur[u] = i;
			}
			gap[dep[u]]--;
			if(!gap[dep[u]])return ans;
			dep[u] = Min + 1;
			gap[dep[u]]++;
			if(u != start)u = edge[S[--top]^1].to;
	}
	return ans;
}




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。
内容概要:论文《基于KANN-DBSCAN带宽优化的核密度估计载荷谱外推》针对传统核密度估计(KDE)载荷外推中使用全局固定带宽的局限性,提出了一种基于改进的K平均最近邻DBSCAN(KANN-DBSCAN)聚类算法优化带宽选择的核密度估计方法。该方法通过对载荷数据进行KANN-DBSCAN聚类分组,采用拇指法(ROT)计算各簇最优带宽,再进行核密度估计和蒙特卡洛模拟外推。实验以电动汽车实测载荷数据为对象,通过统计参数、拟合度和伪损伤三个指标验证了该方法的有效性,误差显著降低,拟合度R²>0.99,伪损伤接近1。 适合人群:具备一定编程基础和载荷数据分析经验的研究人员、工程师,尤其是从事汽车工程、机械工程等领域的工作1-5年研发人员。 使用场景及目标:①用于电动汽车载荷谱编制,提高载荷预测的准确性;②应用于机械零部件的载荷外推,特别是非对称载荷分布和多峰扭矩载荷;③实现智能网联汽车载荷预测与数字孪生集成,提供动态更新的载荷预测系统。 其他说明:该方法不仅解决了传统KDE方法在复杂工况下的“过平滑”与“欠拟合”问题,还通过自适应参数机制提高了方法的普适性和计算效率。实际应用中,建议结合MATLAB代码实现,确保数据质量,优化参数并通过伪损伤误差等指标进行验证。此外,该方法可扩展至风电装备、航空结构健康监测等多个领域,未来研究方向包括高维载荷扩展、实时外推和多物理场耦合等。
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