OO Unit 1

石睿知-21373433 学生 2023-03-19 04:08:41

点我食用更佳哦~~~

前言

第一单元作业主要要求是进行表达式化简。一共三次作业。第一次是较为简单的表达式,只涉及一层括号,加减乘和乘方。第二次作业增加了三角函数和嵌套括号。第三次作业增加了求导因子。

总结一下我的成果,很高兴在没有出现任何 Bug 的情况下通关第一单元,当然这很大程度上要归功于搭建了评测机。搭建一个好的评测机,一个人的努力是不够的,所以我在 GitHub 上开了一个私有的仓困,并邀请了几个朋友一起参与开发。当然了最后还是我写了绝大部分,有的朋友只是在白嫖,甚至还有的连白嫖都没有学会。但是也要感谢所有做出贡献的朋友,帮我发现了几个 Bug,还让我成功的 Hack 到了房友。

架构

一个好的架构是整个项目成功的关键。第一次作业时我的架构就不太理想,十分混乱。于是在第二次作业中狠心重构。于是在效率和复杂度上都得到了极大层度的提升。

老师说很多同学的 Bug 都是因为深浅拷贝处理不当。所以我重构后的第二次作业,不再进行任何拷贝,一是减少了深拷贝开销,而是也不需要考虑拷贝出错的问题。

下面是我的架构的 UML 图:

UML

简而言之,我所有的表达式相关类都是不可被 public 方法修改的,所有计算都将生成新的表达式。这样就不存在拷贝的问题了。当然了频繁运算会带来海量开销,所以我引入了 ExpressionBuilder 类,可以支持表达式加法,方法是直接修改,而不是拷贝。ExpressionExpressionBuilder 之间的关系是仿照 StringStrinBuilder 建立的。

另外,为了方便三角函数化简的实现,我的表达式存储方式是 整式*若干项三角函数+...+整式*若干项三角函数,这样就可以把三角函数单独拿出来化简了。

评测机

使用 sympy 进行评测。使用递归下降和正则表达式 check 表达式的合法性。使用递归下降 generate 数据。这些都是较为常规的思路,就不再赘述了。

特别的一点是,我挑选出几十组特殊的数据,然后每次在本地评测后都将评测记录上传到云端,然后从云端索取当前最好的有效长度,以此为依据计算性能分。这在第一次作业还是发挥了一些作用,后续作业中,由于我们开发小组的集体摆烂式优化,所以大家都没那么在乎性能分,这个功能也就没有发挥出太大作用了。

得分

  • 作业 1,强测 100 分,互测 +0 分;
  • 作业 2,强测 97.9019 分,互测 8.5 分;
  • 作业 3,强测 94.5088 分,互测 10.5 分。

鸣谢

Contributors

...全文
107 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:本文围绕不确定环境下的多式联运路径优化问题展开研究,提出并实现了基于AFO算法、遗传算法(GA)和粒子群优化算法(PSO)的三种智能优化方法,并借助Matlab平台完成算法编程与仿真。研究构建了考虑时间、成本、转运风险等多重不确定因素的路径优化模型,系统比较了AFO、GA、PSO三种算法在收敛速度、全局寻优能力和稳定性方面的表现,同时引入Matlab自带的全局优化搜索器作为基准对照,深入分析各算法在复杂物流网络中的适用边界与性能差异。研究表明,AFO算法在解决此类组合优化问题时展现出更快的收敛效率和更强的局部规避能力。; 适合人群:具备一定Matlab编程基础与运筹优化知识,从事物流工程、交通运输规划、智能算法开发等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于多式联运、综合货运网络中的路径决策支持系统构建;②为不确定性条件下复杂路径规划问题提供智能算法选型依据与技术实现方案;③支持科研人员复现主流优化算法并开展横向性能对比实验,推动算法改进与实际落地。; 阅读建议:建议读者结合提供的Matlab代码逐模块分析算法实现流程,重点理解目标函数设计、约束条件处理及参数敏感性分析部分,可通过调整问题规模与算法参数进行对比实验,进一步拓展至动态路径规划或大规模网络优化等延伸场景。
内容概要:本文研究了基于QLearning自适应强化学习的PID控制器在自主水下航行器(AUV)运动控制中的应用,通过Matlab代码实现了控制算法的仿真验证。该方法融合强化学习的在线自适应能力与传统PID控制的稳定性优势,利用QLearning算法动态优化PID控制器的比例、积分、微分参数,以应对水下复杂流体环境、模型不确定性及外部干扰等挑战,从而提升AUV轨迹跟踪的精度、鲁棒性与动态响应性能。文中系统阐述了AUV的六自由度非线性动力学建模过程、QLearning算法的状态空间与动作空间设计、奖励函数构造及训练机制,并详细说明了PID参数自整定的闭环控制架构。仿真结果表明,相较于传统固定参数PID控制器,该智能控制策略在多种工况下均展现出更优的控制效果,有效抑制了超调,加快了响应速度,并增强了抗干扰能力。; 适合人群:具备自动控制理论、强化学习基础及Matlab/Simulink仿真能力,从事水下机器人、智能控制、海洋工程、自动化等领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于AUV、UUV等无人水下平台的高精度自主导航与运动控制;②为解决非线性、强耦合、时变系统的控制器参数自适应整定问题提供智能化解决方案;③作为强化学习与经典控制理论深度融合的技术范例,推动智能控制算法在海洋装备中的工程化应用。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法实现细节,重点剖析QLearning的状态-动作-奖励机制设计、PID参数更新逻辑及仿真对比实验结果,有条件者可在更复杂的动力学模型或实际硬件平台上进一步验证与优化算法性能。

442

社区成员

发帖
与我相关
我的任务
社区描述
2023年北京航空航天大学《面向对象设计与构造》课程博客
java 高校 北京·海淀区
社区管理员
  • 被Taylor淹没的一条鱼
  • 0逝者如斯夫0
  • Mr.Lin30
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