离散化

本文介绍了如何使用离散化技术对输入数组进行排序去重,并通过lower_bound实现元素映射到新的区间,以简化后续操作。实例展示了离散化后的数组变化和应用在并查集问题中的操作。

离散化

先将数组升序排序,然后去重。

for(int i = 1; i <= n; i++)
{
     scanf("%d%d%d", &a[i], &b[i], &c[i]);
     d[++cnt] = a[i];
     d[++cnt] = b[i];
 }
 sort(d+1, d+1+cnt);
 cnt = unique(d + 1, d + cnt + 1) - (d+1);
 init(cnt);
 for(int i = 1; i <= n; i++)
 {
     a[i] = lower_bound(d+1, d+1+cnt, a[i]) - d;
     b[i] = lower_bound(d+1, d+1+cnt, b[i]) - d;
 }

例如 a [ 1 ] = 1 , a [ 2 ] = 3 , a [ 3 ] = 1 e 4 , a [ 4 ] = 1 e 7 , a [ 5 ] = 9 , b [ 1 ] = 1 e 4 , b [ 2 ] = 1 e 5 , b [ 3 ] = 10 , b [ 4 ] = 8 , b [ 5 ] = 1 e 7 。 a[1] = 1,a[2] = 3,a[3] = 1e4,a[4] = 1e7, a[5] = 9, b[1] = 1e4,b[2] = 1e5,b[3] = 10,b[4] = 8,b[5] = 1e7。 a[1]=1a[2]=3a[3]=1e4a[4]=1e7a[5]=9b[1]=1e4b[2]=1e5b[3]=10b[4]=8b[5]=1e7
离散化后 a [ 1 ] = 1 , a [ 2 ] = 2 , a [ 3 ] = 6 , a [ 4 ] = 8 , a [ 5 ] = 4 , b [ 1 ] = 6 , b [ 2 ] = 7 , b [ 3 ] = 5 , b [ 4 ] = 3 , b [ 5 ] = 8 。 a[1] = 1,a[2] = 2,a[3] = 6,a[4] = 8,a[5] = 4, b[1] = 6,b[2] = 7,b[3] = 5,b[4] = 3,b[5] = 8。 a[1]=1a[2]=2a[3]=6a[4]=8a[5]=4b[1]=6b[2]=7b[3]=5b[4]=3b[5]=8
例题
添加链接描述
code

#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
const int N = 5e6+5;
const ll mod = 1e9+7;
int n, fa[N], cnt, t, a[N], b[N], c[N], d[N];
void init(int n)
{
    for(int i = 1; i <= n; i++)
        fa[i] = i;
}
int find(int x)
{
    return (x == fa[x] ? x : fa[x] = find(fa[x]));
}
void merge(int x, int y)
{
    fa[find(x)] = find(y);
}
int main()
{
    scanf("%d", &t);
    while(t--)
    {
        cnt = 0;
        scanf("%d", &n);
        ///离散化
        for(int i = 1; i <= n; i++)
        {
            scanf("%d%d%d", &a[i], &b[i], &c[i]);
            d[++cnt] = a[i];
            d[++cnt] = b[i];
        }
        sort(d+1, d+1+cnt);
        cnt = unique(d + 1, d + cnt + 1) - (d+1);
        init(cnt);
        for(int i = 1; i <= n; i++)
        {
            a[i] = lower_bound(d+1, d+1+cnt, a[i]) - d;
            b[i] = lower_bound(d+1, d+1+cnt, b[i]) - d;
        }
        int flag = 1;
        for(int i = 1; i <= n; i++)
            if(c[i] == 1)
                merge(a[i], b[i]);
        for(int i = 1; i <= n; i++)
            if(c[i] != 1)
            {
                int fx = find(a[i]), fy = find(b[i]);
                if(fx == fy)
                {
                    flag = 0;
                    break;
                }
            }
        if(flag)
            cout << "YES" << endl;
        else
            cout << "NO" << endl;
    }
    return 0;
}

提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
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