E - Doing Homework again hd 1789

本文介绍了一个作业调度问题,通过贪心算法实现最小化逾期任务的惩罚分数。采用递归思想逐个选择任务,并确保高惩罚的任务优先完成。

E - Doing Homework again

Time Limit:1000MS Memory Limit:32768KB 64bit IO Format:%I64d & %I64u
Submit

Status
Description
zichen has just come back school from the 30th ACM/ ICPC. Now he has a lot of homework to do. Every teacher gives him a deadline of handing in the homework. If zichen hands in the homework after the deadline, the teacher will reduce his score of the final test. And now we assume that doing everyone homework always takes one day. So zichen wants you to help him to arrange the order of doing homework to minimize the reduced score.
Input
The input contains several test cases. The first line of the input is a single integer T that is the number of test cases. T test cases follow.
Each test case start with a positive integer N(1<=N<=1000) which indicate the number of homework.. Then 2 lines follow. The first line contains N integers that indicate the deadlines of the subjects, and the next line contains N integers that indicate the reduced scores.
Output
For each test case, you should output the smallest total reduced score, one line per test case.
Sample Input

3
3
3 3 3
10 5 1
3
1 3 1
6 2 3
7
1 4 6 4 2 4 3
3 2 1 7 6 5 4

Sample Output

0
3
5


  1. 题意:有n个任务,每个任务都有结止日期和逾期相应的处罚,问你如何选择使处罚最少,每项任务消耗的时间都为1天。
  2. 思路:对处罚的分数进行贪心选择,应该尽量考虑将处分大的做完,第一个要考虑的就是一定要把处分最大的做完,用递归思想,将第一个元素去除,对剩下的元素进行选择,所以第二步要把第二大的做完,但是否能做完呢,还要具体判断,因为当前最优选择可能会受上一步最优选择的影响,即当前最优选择会对后面的选择造成影响。例如:对于第一个处分最大的任务,你无论如何都要在他的截止日期之前将其做完,因为都是一天一个任务,要使处分最低,应该尽量让处分高的做完;对于第二个要考虑的是处分次大的,也要考虑在他的截止时间之前将其完成,但此时处分最大的可能会对其造成影响,如果有一天已被第一个占据,则第二个不能再考虑这天了…… 以此类推,第i个处分大的是否能完成就要看在他的截止日期之前是否有空的一天。对于[1,i)区间的任务所占据的日期,不应再考虑。 可以看出此过程为贪心过程,每一次选择都为当前的最优选择,符合递归思想。
  3. 失误:选择依据没想好,第i天做第i大的任务。对于此类题,应该用递归的思想,从第一步选择开始,选择一个然后在对余下的进行选择,多进行几次,推断出贪心选择的依据,思路明白了,就好写了。如这个题是最大区间不相交类型的:将截止日期与第一天看成时间区间,那么对于所有的任务都可以在时间轴上标出他的可以做的时间区间如果两个区间相交,则相交部分对于处罚小的无效,多个相交只对最大的有效。但是,这种可能不太·好转化,尽可能的举例子来验证自己的想法。
  4. 代码如下:
#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;

struct node{
    int ded;
    int sco;
}stu[1000+10];

bool cmp(node a,node b)
{
    if(a.sco !=b.sco )
    return a.sco >b.sco;
    return a.ded <b.ded;
}

int main()
{
    int t,n,i,j,redu,day[1000+10];
    cin>>t;
    while(t--)
    {
        cin>>n;
        for(i=1;i<=n;++i)
        {
            cin>>stu[i].ded;
        }
        for(i=1;i<=n;++i)
        {
            cin>>stu[i].sco;
        }

        sort(stu+1,stu+n+1,cmp); 

        redu=0;
        memset(day,0,sizeof(day));//初始阶段每一天都没任务 
        for(i=1;i<=n;++i)  //从处罚最大的开始查找 
        {
            for(j=stu[i].ded;j>0;--j)//从当前任务的截止日期开始一直到第一天 
            {
                if(day[j]==0)//如果查到有没被之前任务占据的则此任务就在这一天做 
                {
                    day[j]=1;
                    break;
                }
            }

            if(j==0)//如果没查找到 这个任务就要被处罚 
            {
                redu+=stu[i].sco;
            }
        }

        cout<<redu<<endl;
    }
    return 0;
}
下载前可以先看下教程 https://pan.quark.cn/s/a4b39357ea24 在网页构建过程中,表单(Form)扮演着用户与网站之间沟通的关键角色,其主要功能在于汇集用户的各类输入信息。 JavaScript作为网页开发的核心技术,提供了多样化的API和函数来操作表单组件,诸如input和select等元素。 本专题将详细研究如何借助原生JavaScript对form表单进行视觉优化,并对input输入框与select下拉框进行功能增强。 一、表单基础1. 表单组件:在HTML语言中,<form>标签用于构建一个表单,该标签内部可以容纳多种表单组件,包括<input>(输入框)、<select>(下拉框)、<textarea>(多行文本输入区域)等。 2. 表单参数:诸如action(表单提交的地址)、method(表单提交的协议,为GET或POST)等属性,它们决定了表单的行为特性。 3. 表单行为:诸如onsubmit(表单提交时触发的动作)、onchange(表单元素值变更时触发的动作)等事件,能够通过JavaScript进行响应式处理。 二、input元素视觉优化1. CSS定制:通过设定input元素的CSS属性,例如border(边框)、background-color(背景色)、padding(内边距)、font-size(字体大小)等,能够调整其视觉表现。 2. placeholder特性:提供预填的提示文字,以帮助用户明确输入框的预期用途。 3. 图标集成:借助:before和:after伪元素或者额外的HTML组件结合CSS定位技术,可以在输入框中嵌入图标,从而增强视觉吸引力。 三、select下拉框视觉优化1. 复选功能:通过设置multiple属性...
【EI复现】基于深度强化学习的微能源网能量管理与优化策略研究(Python代码实现)内容概要:本文围绕“基于深度强化学习的微能源网能量管理与优化策略”展开研究,重点探讨了如何利用深度强化学习技术对微能源系统进行高效的能量管理与优化调度。文中结合Python代码实现,复现了EI级别研究成果,涵盖了微电网中分布式能源、储能系统及负荷的协调优化问题,通过构建合理的奖励函数与状态空间模型,实现对复杂能源系统的智能决策支持。研究体现了深度强化学习在应对不确定性可再生能源出力、负荷波动等挑战中的优势,提升了系统运行的经济性与稳定性。; 适合人群:具备一定Python编程基础和机器学习背景,从事能源系统优化、智能电网、强化学习应用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应用于微能源网的能量调度与优化控制,提升系统能效与经济效益;②为深度强化学习在能源管理领域的落地提供可复现的技术路径与代码参考;③服务于学术研究与论文复现,特别是EI/SCI级别高水平论文的仿真实验部分。; 阅读建议:建议读者结合提供的Python代码进行实践操作,深入理解深度强化学习算法在能源系统建模中的具体应用,重点关注状态设计、动作空间定义与奖励函数构造等关键环节,并可进一步扩展至多智能体强化学习或与其他优化算法的融合研究。
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