bzoj 1001 分类: bzoj 2015...

本文探讨了在信息学竞赛中解决平面图最大流问题的方法,通过构造对偶图并运用最短路径算法,实现复杂度为O(n*m*log²(n*m))的高效求解。代码示例详细展示了如何构建图模型及执行Dijkstra算法。

平面图最大流,看到数据范围我就怂了。


《两极相通——浅析最大—最小定理在信息学竞赛中的应用》

先构造平面图的对偶图,然后求最短路即可。
时间复杂度:O(nmlog2(nm))


#include <cstdio>
#include <cstdlib>
#include <cstring>
#include <queue>
#include <vector>
#include <utility>
#include <iostream>
#include <algorithm>

const int maxm = 1005, maxn = 1005;
const int maxnode = ((maxn-1)*(maxm-1)<<1);
const int maxe = maxnode * 3, INF = 1<<30;

struct Edge
{
    int v, w, next;
    Edge(){}
    Edge(int v,int w,int next):v(v),w(w),next(next){}
}edge[maxe];
int n, m, node, S, T;
int head[maxnode], el = 0; 

int read()
{
    int x = 0;char c = getchar();
    while(c < '0' || c > '9') {c = getchar();}
    while(c >= '0' && c <= '9'){x = (x<<3) + (x<<1) + (c-'0'); c = getchar();}
    return x;
}

void write(long long x)
{
    static char s[20];int sl = 0;
    while(x) s[++sl] = x%10 + '0',x /= 10;
    if(!sl) {putchar('0');return;}
    while(sl) putchar(s[sl--]);
}

void NewEdge(int u,int v,int w)
{
    edge[++el] = Edge(v, w, head[u]), head[u] = el;
}
void Build()
{
    int now, last, w;

    now = 2, last = 1 - ((m-1)<<1);
    for(int i = 1; i <= n; i++)
        for(int j = 1; j < m; j++)
        {
            w = read();

            if(i == 1) 
                NewEdge(S, now, w), NewEdge(now, S, w);
            else if(i == n)
                NewEdge(last, T, w), NewEdge(T, last, w); 
            else
                NewEdge(last, now, w), NewEdge(now, last, w);

            now += 2, last += 2;    
        }
    now = 1, last = 0;      
    for(int i = 1; i < n; i++)
        for(int j = 1; j <= m; j++)
        {
            w = read();

            if(j == 1) 
                NewEdge(T, now, w), NewEdge(now, T, w);
            else if(j == m)
                NewEdge(last, S, w), NewEdge(S, last, w); 
            else
                NewEdge(last, now, w), NewEdge(now, last, w);

            if(j != m) now += 2, last += 2;
        }
    now = 2, last = 1;  
    for(int i = 1; i < n; i++)
        for(int j = 1; j < m; j++)
        {
            w = read();

            NewEdge(last, now, w), NewEdge(now, last, w);

            now += 2, last += 2;
        }
}

typedef std::pair<long long,int> Heapnode;
#define Root_Min std::vector<Heapnode>,std::greater<Heapnode> 
std::priority_queue<Heapnode, Root_Min> heap;
bool hash[maxnode];
long long dist[maxnode];

long long Dijstra()
{
    for(int i = 1; i <= node; i++) dist[i] = INF;

    dist[S] = 0, heap.push(std::make_pair(0, S));

    while(!heap.empty())
    {
        int t = heap.top().second; 
        heap.pop();

        if(hash[t]) continue;

        hash[t] = true;

        if(t == T) break;

        for(int i = head[t], p; i ; i = edge[i].next)
            if(!hash[p = edge[i].v])
            {
                long long tmp = dist[t] + edge[i].w;

                if(tmp < dist[p])
                    dist[p] = tmp,  heap.push(std::make_pair(tmp, p));
            }
    }

    return dist[T];
}

int main()
{
#ifndef ONLINE_JUDGE
    freopen("bzoj1001.in","r",stdin);
    freopen("bzoj1001.out","w",stdout);
#endif

    n = read(), m = read(), node = ((n-1)*(m-1)<<1) + 2;
    S = node - 1,  T = node;

    Build(), write(Dijstra());

#ifndef ONLINE_JUDGE
    fclose(stdin);
    fclose(stdout);         
#endif
    return 0;   
}

版权声明:本文为博主原创文章,未经博主允许不得转载。

转载于:https://www.cnblogs.com/dashgua/p/4722982.html

内容概要:本文研究了基于Benders分解算法与输电网-配电网运营商(TSO-DSO)协调机制的双层优化模型,旨在有效应对新能源出力波动、负荷不确定性等对现代电力系统运行带来的挑战。模型上层由输电网运营商(TSO)负责全局资源优化与主网稳定性调控,下层由多个配电网运营商(DSO)实现本地分布式能源的灵活调度,通过Benders分解实现上下层之间的迭代协调与信息交互,从而在保障系统安全的前提下提升整体运行的经济性与鲁棒性。研究提供了完整的Matlab代码实现,涵盖数学建模、算法求解、收敛性分析及仿真结果可视化等环节,有助于深入理解双层优化架构在输配电网协同调度中的具体应用与技术细节。; 适合人群:具备电力系统分析、优化理论基础及一定Matlab编程能力的研究生、科研人员,以及从事电网调度、能源系统规划等相关领域的工程技术人员。; 使用场景及目标:①掌握Benders分解在电力系统双层优化问题中的建模与求解流程;②理解TSO-DSO协同机制下输配电网交互建模的核心思想与实现方法;③复现并拓展高水平学术论文中的优化模型,服务于科研项目攻关或实际工程仿真需求。; 阅读建议:建议结合凸优化理论、电力系统经济调度与Benders分解原理进行系统学习,优先运行并调试所提供的Matlab代码,调整关键参数以观察算法收敛行为与模型性能变化,从而深化对协调机制与优化机理的理解。
内容概要:本文介绍了基于不变扩展卡尔曼滤波器(Invariant Extended Kalman Filter, IEKF)的微型无人机状态估计算法,通过融合IMU(惯性测量单元)和GPS(全球定位系统)数据,实现对无人机姿态、位置及速度的高精度实时估计。该方法利用IEKF在李群结构下的不变性特性,有效提升了滤波器的数值稳定性与估计精度,尤其适用于存在强动态运动和复杂噪声干扰的实际飞行环境。文中提供了完整的Matlab代码实现,涵盖传感器数据预处理、误差状态建模、协方差更新与状态校正等关键环节,具有较强的工程应用价值。; 适合人群:具备一定控制理论、导航算法基础和Matlab编程能力的研究生、科研人员及无人机相关领域的工程技术人员,尤其适合从事无人机导航、制导与控制(GNC)系统开发的专业人员。; 使用场景及目标:① 实现无人机在复杂动态环境下的高精度姿态与状态估计;② 学习并掌握IEKF相较于传统EKF在非线性系统中的优势与实现方法;③ 为无人机自主飞行、路径规划与控制系统提供可靠的感知输入。; 阅读建议:建议读者结合Matlab代码逐模块分析算法实现流程,重点关注状态转移模型与观测模型的设计、李群不变性的数学处理以及噪声协方差的调参策略,同时可通过实际飞行数据或仿真数据进行算法验证与性能对比。
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