A Spy in the Metro UVA - 1025

本文深入探讨了一种基于动态规划的火车调度算法,旨在解决在有限时间内,如何从起点站到达终点站并使等待时间最短的问题。通过定义状态dp[i][j]表示在i时刻,处于第j个车站还需等待的时间,文章详细阐述了状态转移过程,包括等待、前进和后退三种操作。同时,考虑到不同方向的列车运行情况,文章设计了三维数组train来记录每个车站、每个时刻是否有列车经过,为状态转移提供了数据支撑。
#include<iostream>
#include<cstdio>
#include<vector>
#include<cstdio>
#include<cstdlib>
#include<cmath>
#include<cstring>
#include<string>
#include<iostream>
#include<string>
#include<algorithm>
#include<map>
using namespace std;
/*
给你n个车站,M1个火车从车站1到车站n,M2个火车从车站n到车站1,问你在T时刻,从车站1到车站n,并且在车站的等待时间最少

dp[i][j]在i时刻,在第j个车站还要等多少时间
状态转移
1、等一分钟
2、往右走
3、往左走
*/
int maxn=1e9;
int dp[205][55];
int t[75];//等待时间
int train[205][55][2];//某时刻某车站是否有向左或向右的车
int n,T;
void work()
{
    scanf("%d",&T);
    for(int i=1; i<n; i++)scanf("%d",&t[i]);
    int m1,x;
    scanf("%d",&m1);
    for(int i=0; i<m1; i++)
    {
        scanf("%d",&x);
        train[x][1][0]=1;
        int sum=0;
        for(int j=1; j<n; j++)
        {
            sum+=t[j];
            if(x+sum<=T)
                train[x+sum][j+1][0]=1;
        }
    }

    int m2;
    scanf("%d",&m2);
    for(int i=0; i<m2; i++)
    {
        scanf("%d",&x);
        train[x][n][1]=1;
        int sum=0;
        for(int j=n-1; j>0; j--)
        {
            sum+=t[j];
            if(x+sum<=T)
                train[x+sum][j][1]=1;
        }
    }
}
void solve()
{
    for(int i=1; i<=n-1; i++)dp[T][i]=maxn;
    dp[T][n]=0;
    for(int i=T-1; i>=0; i--)
        for(int j=1; j<=n; j++)
        {
            dp[i][j]=dp[i+1][j]+1;
            if(j<n&&train[i][j][0]&&i+t[j]<=T)
                dp[i][j]=min(dp[i][j],dp[i+t[j]][j+1]);
            if(j>1&&train[i][j][1]&&i+t[j-1]<=T)
                dp[i][j]=min(dp[i][j],dp[i+t[j-1]][j-1]);
        }
}
int main()
{
    int kase=0;
    while(~scanf("%d",&n)&&n)
    {
        memset(train,0,sizeof(train));
        work();
        solve();
        printf("Case Number %d: ",++kase);
        if(dp[0][1]>=maxn)printf("impossible\n");
        else  printf("%d\n",dp[0][1]);
    }
    return 0;
}

 

内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
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