[BZOJ2115][WC2011] 最大XOR和路径

本文介绍了一种求解图中从特定起点到终点的最大XOR和路径的算法,通过遍历所有环路并利用线性基进行优化,以找到最大的XOR和。

D e s c r i p t i o n \bf Description Description

RT,求最大XOR和路径

S o l u t i o n \bf Solution Solution

看这个,下文是给我自己看的。

我们发现,对于一个环,它可以对答案有贡献,而不在环上的点,一来一去贡献就没了。。。

所以暴力跑环,都丢到一个线性基里。然后随便选一条 1 1 1 n n n 的路径的XOR和,再搞上线性基里的,尽量大就行了。

#include<bits/stdc++.h>
#define LL long long
#define re register
#define fr(i,x,y) for(int i=(x);i<=(y);i++)
#define rf(i,x,y) for(int i=(x);i>=(y);i--)
#define frl(i,x,y) for(int i=(x);i<(y);i++)
#define frz(i,x,y) for(int i=x,z=y;i<=z;i++)
using namespace std;
const int N=50005;
const int M=200002;
int n,m;
int cnt,head[N],Next[M],v[M];
LL w[M];

inline void read(int &x){
	char ch=getchar();x=0;int w=0;
	for(;ch<'0'||ch>'9';ch=getchar()) if (ch=='-') w=1;
	for(;ch>='0'&&ch<='9';ch=getchar()) x=(x<<3)+(x<<1)+ch-'0';
	if (w) x=-x;
}
inline void read(LL &x){
	char ch=getchar();x=0;int w=0;
	for(;ch<'0'||ch>'9';ch=getchar()) if (ch=='-') w=1;
	for(;ch>='0'&&ch<='9';ch=getchar()) x=(x<<3)+(x<<1)+ch-'0';
	if (w) x=-x;
}

void add(int x,int y,LL z){
	Next[++cnt]=head[x];
	head[x]=cnt;
	v[cnt]=y;w[cnt]=z;
}

LL a[60];
void ins(LL x){
	rf(i,59,0)
	 if (x&(1LL<<i)){
	 	if (!a[i]){ a[i]=x;break; }
	 	x^=a[i];
	 }
}

int b[N];
LL c[N],sum;
void dfs(int x,LL res){
	b[x]=1;c[x]=res;
	if (x==n) sum=res;
	for(int i=head[x];i;i=Next[i])
	 if (!b[v[i]]) dfs(v[i],res^w[i]);
	  else ins(res^w[i]^c[v[i]]);
}

int main(){
	read(n);read(m);
	int x,y;LL z;
	fr(i,1,m){
		read(x);read(y);read(z);
		add(x,y,z);add(y,x,z);
	}
	dfs(1,0);
	rf(i,59,0)
	 if ((sum^a[i])>sum) sum^=a[i];
	cout<<sum<<endl;
	return 0;
}
基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
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