算法导论动态规划章节中rod-cutting的一个问题

dracularking 2016-05-04 10:03:31
为了计算最优的原木切割法,公式是这样的:

可后来就变形成这样了,没明白这样怎么也可以(左手段换成了p):



p:不切割,直接卖的价值
r:优化方式切割后的总价值
...全文
552 3 打赏 收藏 转发到动态 举报
写回复
用AI写文章
3 条回复
切换为时间正序
请发表友善的回复…
发表回复
wshcdr 2016-12-29
  • 打赏
  • 举报
回复
公式2 是做了简化,从左边切下长度为i的一段,然后只对右边长度为n-i长度的钢条进行切割,对左边的不再切割了
dracularking 2016-05-09
  • 打赏
  • 举报
回复
谢谢回答,确实是这样,不管怎样分割,只要最优分割后,总能从最后的分割结果中,找出一个p[i](未必是单价最高), 重新组合成这样: r[n] = p[i] + r[n-i] (1<=i<=n) 说明这种分割方式总能组成最优解,是不是这样?
Tiger_Zhao 2016-05-04
  • 打赏
  • 举报
回复
r 是1个或多个 p 组成的集合。

怎么推导不知道,不过可以反过来论证:
1)假定已经按公式1找到了最优的r[n];
2)那么从里面拿走单价最高的一条p[k]
2.a)如果k=n,直接符合公式2
2.b)如果k<n,剩下集合必定是最优r[n-k],否则用最优的r[n-k]和p[k]可以组成更优的r[n]了。

所以公式2是正确的:
要么是 p[n] 直接组成最优的 r[n];
要么是某个最优的 r[n-i] 加上 p[n] 组成最优的 r[n]。
内容概要:本文提出了一种基于MS-TCN-TiDE的多尺度时序融合模型,用于解决周尺度电力负荷预测问题。该模型创新性地融合了多尺度时序卷积网络(MS-TCN)与时间深度编码器(TiDE),通过多层次膨胀卷积结构有效捕捉电力负荷序列的局部波动与长期趋势等多尺度时序特征,并采用稠密编码器架构深度融合历史负荷、气象条件、日历信息等多源异构数据。模型支持直接多步预测,避免了传统递归预测带来的累积误差。研究详细阐述了模型的整体架构设计、输入输出序列处理方式、特征工程方法及优化训练策略,并基于真实电力数据集完成了完整的Python代码实现与实验验证。结果表明,该模型在长期负荷预测任务相较ARIMA、LSTM、TCN等基准模型展现出更优越的预测精度与鲁棒性,尤其在应对负荷剧烈波动场景时表现突出。; 适合人群:具备一定Python编程基础和深度学习背景的研究生、科研人员及电力系统领域从事负荷预测、能源管理相关工作的工程师。; 使用场景及目标:①应用于电力系统调度、能源管理系统、电网规划等领域的长期负荷预测任务,为电力供需平衡与运行决策提供数据支持;②为研究者提供一个结构清晰、代码可复现的先进负荷预测模型框架,促进时序深度学习模型在能源预测领域的应用、改进与学术交流; 阅读建议:建议读者结合提供的完整Python代码进行实践操作,深入理解MS-TCN的层级扩张卷积机制与TiDE的稠密编码解码结构的设计精髓,并可通过更换不同的数据集、调整模型超参数或引入新的特征变量,进一步探索模型的泛化能力与优化空间。

33,025

社区成员

发帖
与我相关
我的任务
社区描述
数据结构与算法相关内容讨论专区
社区管理员
  • 数据结构与算法社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧