求大神把下面代码转化为java语言

keyhwt 2021-05-01 06:21:01
#include <iostream>
#include <cstdio>
#include <cstring>
#define N 500
#define M 850

using namespace std;

struct point{int x,y;point(const int &A,const int &B){x=A;y=B;}point(){}};
typedef point Vector;
Vector operator - (const point &a,const point &b){return Vector(a.x-b.x,a.y-b.y);}
inline long long Cross(Vector A,Vector B){return 1LL*A.x*B.y-1LL*A.y*B.x;}
int n,m,x[N],y[N],v[N],top;
long long F[M],ans;
long long rk[M]; //记录本次DP第i个题目的优先级
point rc[M]; //记录到达获得i收益的点(x,y)

inline int read()
{
int x=0;char ch=getchar();
while(ch<'0'||ch>'9')ch=getchar();
while(ch>='0'&&ch<='9'){x=x*10+ch-'0';ch=getchar();}
return x;
}

point DP()
{
point now;
now.x = now.y = 4000000;
for (int i=1;i<=top;i++) F[i] = 1LL << 62;
F[0] = 0LL;
for (int i=1;i<=n;i++)
for (int j=top;j>=v[i];j--)
if (F[j] > F[j-v[i]] + rk[i]) {
rc[j].x = rc[ j-v[i] ].x + x[i];
rc[j].y = rc[ j-v[i] ].y + y[i];
F[j] = F[j-v[i]] + rk[i];
}

int k = m;
for (int i=m;i<=top;i++) if (F[k] > F[i]) k = i;
now = rc[k];
ans = min(ans,1LL*now.x*now.y);
return now;
}

void solve(point A,point B)
{
for (int i=1;i<=n;i++) rk[i] = 1LL * x[i] * (A.y - B.y) + y[i] * (B.x - A.x); //更新关键词
point C = DP();
if(Cross(B-A,C-A)>=0) return ; //寻找不到直线AB左下方的点
solve(A,C);solve(C,B); //分成两部分递归
}

int main()
{
ans = 1LL << 62;
while (~scanf("%d%d",&n,&m))
{
for (int i=1;i<=n;i++) {v[i] = read();x[i] = read(); y[i] = read();}
for (int i=1;i<=n;i++) top += v[i];

for (int i=1;i<=n;i++) rk[i] = 1LL*x[i]; //DP关键词为横坐标
point A = DP(); //寻找最靠近y轴的点

for (int i=1;i<=n;i++) rk[i] = 1LL*y[i]; //DP关键词为纵坐标
point B = DP(); //寻找最靠近x轴的点

solve(A,B); //递归寻找在A,B左下方的点

printf("%I64d\n",ans);
}
return 0;
}
...全文
197 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本文系统介绍了基于核主成分分析(KPCA)的故障检测方法,重点实现了T²和Q统计指数的可视化,并提供了完整的Matlab代码实现与仿真分析流程。该方法通过核函数映射将原始非线性过程数据转换至高维特征空间,进行主成分提取与降维处理,进而构建T²和Q两种统计量用于监控系统运行状态,有效识别工业过程中的早期故障与异常行为。文中详细阐述了KPCA的数学原理、故障检测机制、控制限计算方法,并结合实际案例展示其在复杂非线性系统中的应用效果与优越性,具有较强的工程实用性。; 适合人群:具备一定信号处理、机器学习理论基础及Matlab编程能力的研究生、科研人员和工程技术人员,特别适用于从事工业过程监控、故障诊断、智能制造等相关领域的研究人员。; 使用场景及目标:①应用于化工、电力、制造等行业中关键设备的在线故障监测与早期预警;②作为学术研究中非线性降维与异常检测算法的对比基准;③帮助开发者掌握KPCA模型构建、参数调优及T²-Q统计图可视化等核心技术环节。; 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KPCA算法的核心步骤,重点关注核函数选择、主成分数确定及统计量阈值设定等关键参数的影响,以提升故障检测的灵敏度与准确性。
内容概要:本文详细阐述了基于非线性反步法(Backstepping)与Lyapunov函数引导的模型预测控制(Lyapunov-MPC)相结合的自主水下航行器(AUV)轨迹跟踪控制策略,并完整集成了经典的Fossen水下航行器动力学模型。通过Matlab代码实现,精准复现了高水平期刊的研究成果,重点攻克了AUV在强非线性、强耦合及外部干扰复杂的海洋环境中实现高精度轨迹跟踪的技术难题。该方法充分发挥反步法在系统化构造控制器方面的优势,利用虚拟控制律逐层推进,并结合Lyapunov函数严格证明系统的全局渐近稳定性,同时引入MPC优化未来时域内的控制输入,有效处理系统约束,显著增强了控制器的鲁棒性与动态响应性能。; 适合人群:具备自动控制原理、非线性系统分析、现代控制理论基础,并熟练掌握Matlab/Simulink编程的研究生、博士生、科研人员及从事水下机器人、无人艇等复杂系统控制算法研发的工程技术人员。; 使用场景及目标:①深入研究并掌握非线性反步控制的设计思想、虚拟控制量构建方法及Lyapunov稳定性分析的核心技巧;②理解如何将Lyapunov稳定性判据与模型预测控制框架有机结合,实现稳定性与最优性的统一;③应用于自主水下航行器、无人潜航器(UUV)、水面无人艇(USV)等复杂动力学系统的高精度运动控制、路径跟踪与自主导航的算法开发与仿真验证;④作为撰写高水平学术论文或学位论文的理论与代码参考。; 阅读建议:建议读者首先深入理解Fossen动力学模型的物理意义与数学表达,然后循序渐进地分析控制器设计的每一步推导过程,重点关注虚拟控制律的选取、Lyapunov候选函数的构造以及MPC优化问题的建立与解。务必动手调试提供的Matlab代码,结合Simulink进行可视化仿真,对比不同工况下的控制效果,以全面掌握该复合控制策略的精髓与实际应用要点。

51,408

社区成员

发帖
与我相关
我的任务
社区描述
Java相关技术讨论
javaspring bootspring cloud 技术论坛(原bbs)
社区管理员
  • Java相关社区
  • 小虚竹
  • 谙忆
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