2014 Winter Programming School, Kharkiv, day 1 (E. Kapun) D.A fish lunch(概率dp)

题目

飞机盒饭,n1(0<=n1<=1e3)包肉,n2(0<=n2<=1e3)包鱼,共n(1<=n<=n1+n2)个人

Alex在第I位(1<=I<=n),前面的人每个人有P%的概率选择鱼(0<=P<=100)

但是,当没有鱼或没有肉的时候,前面的人将被迫选择,

求Alex能选到鱼的概率

题解

dp[i][j]:代表当前还剩i包肉j包鱼的概率,剩的下标小了就代表被选了

当I选时,前面已选I-1个,则i+j总数应为n1+n2-(I-1),且合法的鱼的数量应为[1,n2]

注意被迫选择的情况*概率1,其余情况对应*p和*(1-p)的转移

代码

#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
const int N=1e3+5;
double dp[N][N],p,ans;//dp[i][j]:当前还剩i顿肉j顿鱼的概率 
int n,n1,n2,I,P;
int main()
{
	scanf("%d%d%d%d%d",&n,&n1,&n2,&I,&P);
	p=P/100.0;
	for(int i=n1;i>=0;--i)
	{
		for(int j=n2;j>=0;--j)
		{
			if(i==n1&&j==n2){dp[i][j]=1;continue;}
			if(i==0&&j==0){dp[i][j]=dp[i+1][j]+dp[i][j+1];continue;}
			if(i==0){dp[i][j]=dp[i+1][j]*(1-p)+dp[i][j+1];continue;}
			if(j==0){dp[i][j]=dp[i+1][j]+dp[i][j+1]*p;continue;}
			dp[i][j]=dp[i+1][j]*(1-p)+dp[i][j+1]*p; 
		}
	}
	for(int i=n1;i>=0;--i)//i顿肉 
	{
		int j=n1+n2-(I-1)-i;
		if(j>n2||j<=0)continue;//鱼在合法范围内 
		ans+=dp[i][j];
	}
	printf("%.8lf\n",ans);
	return 0;
} 

 

内容概要:本文系统研究了电力系统短期负荷预测问题,提出并实现了基于极限学习机(ELM)及其智能优化改进模型的预测方法。研究涵盖标准ELM、白鲸优化算法(BWO)优化ELM和鹭鹰优化算法(IBOA)优化ELM三种模型,重点通过智能优化算法对ELM的输入权重与偏置参数进行全局寻优,有效克服了传统ELM因参数随机初始化导致的不稳定性和泛化能力不足的问题。文章完整呈现了从数据预处理、特征选择、模型构建、参数优化到预测结果对比分析的全流程,利用Matlab编程实现各模型的仿真验证,显著提升了预测精度与模型鲁棒性,为电力系统调度决策提供了可靠的技术支撑。; 适合人群:具备电力系统基础知识、时间序列预测理论及Matlab编程能力的高校研究生、科研机构研究人员以及电力公司从事负荷预测、电网调度与规划工作的技术人员。; 使用场景及目标:①应用于实际电力系统短期负荷预测业务中,提升电网运行调度的精细化与智能化水平;②作为智能优化算法与神经网络融合的经典案例,服务于学术论文撰写、科研项目申报及算法性能对比研究;③应对新能源大规模接入背景下负荷波动加剧的挑战,为构建高精度、强鲁棒性的现代负荷预测体系提供解决方案。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,深入理解ELM网络结构与优化算法的集成机制,重点对比分析不同优化策略在收敛速度、预测误差(如MAE、RMSE、MAPE)等方面的性能差异,进而掌握智能优化技术在提升预测模型性能方面的关键作用。
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

打赏作者

小衣同学

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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