openjudge:1724Roads

博客围绕一道深搜题展开,指出不进行剪枝会超时。介绍了可行性剪枝,即提前预判路径无法到终点;最优性剪枝,走过路径长度大于当前最优则不再往下走;处处最优性剪枝,记录起点到节点最优路径代价,若再次到达该节点路径代价大则不再走。还提及相关代码。

题目链接

题解:

这是一道深搜题,需要进行剪枝,不然会超时。
可行性剪枝:提前预判一条路径不可能走到终点。
最优性剪枝:也是最常用的剪枝,当走到节点vi时,走过的路径长度大于,当前最优的路径长度,就不再往下走。
处处最优性剪枝:记录从起点到每个节点的当前最优路径代价,当再次到达该节点,如果路径代价大于从起点到该节点的当前最优解,就不在往下走。
minl[i][cost] 表示,走到节点 i 时的花费为cost,此条件下的路径最优长度。如果再次到达节点 i 花费的路费也相同,但此时路径代价大于minl[i][cost] ,就不在往下走。

代码:

#include<iostream>
#include<stdio.h>
#include<vector>
#include<cstring>
using namespace std;
const int MAX_N=1e4+5;
const int MAX_M=1e6+5;
int k,n,r,totallen=0,tcost=0;
struct road
{
	int r,l,cos;
};
vector<vector<road> > citymap(110);
road node;
int Min=MAX_M;
int minl[105][MAX_N];
int vist[105];
void dfs(int s)
{
	if(s==n){
		Min=min(Min,totallen);
		return ;	    //到达目标 
	}
	for(int i=0;i<citymap[s].size();++i){
		int d=citymap[s][i].r;
		if(!vist[d]){
			int cost=tcost+citymap[s][i].cos;
			/*
			到达终点前,花费就大于k,可行性剪枝 
			*/
			if(cost>k)         
			continue;
			/*
			当走到i节点时,走的路径长度已经大于目前最小路径长度,后边的就不再找了,最优剪枝 。
			当走到i节点,并且花费形同的情况下 ,如果当前的路径长度大于同样花费情况下的长度就剪掉,处处最优剪枝。 
			*/
			if(totallen+citymap[s][i].l>minl[d][cost]||
			totallen+citymap[s][i].l>Min)
			continue;              
			    
			totallen+=citymap[s][i].l;
			tcost=cost;
			minl[d][cost]=totallen;
			vist[d]=1; 
			dfs(d);
			/*
			到达终点,记录最优解,然后回退,找其他路径,看是否有更优的解 
			*/
			vist[d]=0;
			totallen-=citymap[s][i].l;
			tcost-=citymap[s][i].cos;
		}
	}
}
int main()
{
	int s;
	scanf("%d%d%d",&k,&n,&r);
	for(int i=0;i<r;++i){
		scanf("%d%d%d%d",&s,&node.r,&node.l,&node.cos);
		citymap[s].push_back(node);
	}
	memset(minl,Min,sizeof(minl));
	memset(vist,0,sizeof(vist));
	vist[1]=1;
	dfs(1);
	if(Min<MAX_M) 
	printf("%d\n",Min);
	else
	printf("-1\n");
	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。
内容概要:本文研究了基于Benders分解与输电网运营商(TSO)和配电网运营商(DSO)协调机制的不确定环境下输配电网双层优化模型,旨在提升高比例可再生能源接入背景下电网系统的协调性与鲁棒性。模型上层以系统整体经济性为目标进行优化调度,下层采用Benders分解实现TSO与DSO之间的信息交互与协同决策,通过引入割平面迭代机制保障求解的收敛性与全局最优性。研究充分考虑新能源出力与负荷需求的不确定性,构建了具有强适应性的双层优化框架,并基于Matlab完成了模型的编程实现与仿真验证,有效解决了多主体、多层级、多不确定性因素耦合下的电力系统优化调度难题。; 适合人群:具备电力系统分析、运筹学与优化理论基础,熟悉Matlab编程环境,从事智能电网、能源互联网、分布式能源集成、电力市场等方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究高渗透率可再生能源条件下输配电网协同优化调度策略;②掌握Benders分解在电力系统双层优化建模中的应用方法与实现技巧;③构建TSO-DSO多主体协调机制,实现跨层级电网资源的高效互动与决策解耦;④提升对不确定性建模、分解算法设计及大规模优化问题求解能力。; 阅读建议:建议读者结合Matlab代码逐模块剖析模型构建流程,重点理解Benders割的生成逻辑、主从问题的信息传递机制及收敛判据设定,推荐在标准IEEE测试系统上复现实验以深入掌握模型特性与算法性能。
内容概要:本文提出了一种基于断线解环思想的配电网辐射状拓扑约束建模方法,旨在通过Matlab代码实现确保配电网在重构或运行过程中始终保持辐射状结构,防止环路形成,从而提升系统的安全性与稳定性。该方法通过系统性地识别网络中的潜在环路,并依据拓扑规则自动切断特定支路,有效处理配电网在优化调度、故障恢复及网络重构中的拓扑约束问题。文中详细阐述了算法的核心逻辑、数学模型构建过程、实现步骤及关键判据,并结合标准测试系统进行了仿真验证,充分证明了该方法在复杂配电网络中的有效性与实用性,尤其适用于含分布式电源接入的智能配电网场景。; 适合人群:具备一定电力系统分析基础和Matlab编程能力的高校研究生、科研人员,以及从事配电网自动化、智能电网优化、电力系统运行与控制等相关领域的工程技术人员。; 使用场景及目标:①解决配电网重构过程中的辐射状拓扑可行性验证与约束建模问题;②支撑含高比例分布式电源的配电网在故障恢复、动态重构中的安全运行分析;③为相关高水平EI期刊论文的模型复现、算法验证及科研项目申报提供可靠的代码实现与技术参考。; 阅读建议:建议读者结合Matlab代码与电力网络拓扑理论进行同步学习,重点理解断线解环的图论基础、环路搜索算法及支路断开逻辑的实现机制,并尝试在不同规模的测试系统(如IEEE 33节点系统)上进行仿真调试,以深入掌握该方法的应用技巧与优化潜力。
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