HDU-1203 I need a offer

本文介绍了一个简单的动态规划问题,旨在帮助学生在有限的资金下最大化获得留学offer的概率。通过一维数组实现状态转移,计算出至少获得一份offer的最大概率。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

I NEED A OFFER!

Time Limit: 2000/1000 MS (Java/Others)    Memory Limit: 65536/32768 K (Java/Others)
Total Submission(s): 32657    Accepted Submission(s): 13261


Problem Description
Speakless很早就想出国,现在他已经考完了所有需要的考试,准备了所有要准备的材料,于是,便需要去申请学校了。要申请国外的任何大学,你都要交纳一定的申请费用,这可是很惊人的。Speakless没有多少钱,总共只攒了n万美元。他将在m个学校中选择若干的(当然要在他的经济承受范围内)。每个学校都有不同的申请费用a(万美元),并且Speakless估计了他得到这个学校offer的可能性b。不同学校之间是否得到offer不会互相影响。“I NEED A OFFER”,他大叫一声。帮帮这个可怜的人吧,帮助他计算一下,他可以收到至少一份offer的最大概率。(如果Speakless选择了多个学校,得到任意一个学校的offer都可以)。
 

Input
输入有若干组数据,每组数据的第一行有两个正整数n,m(0<=n<=10000,0<=m<=10000)
后面的m行,每行都有两个数据ai(整型),bi(实型)分别表示第i个学校的申请费用和可能拿到offer的概率。
输入的最后有两个0。
 

Output
每组数据都对应一个输出,表示Speakless可能得到至少一份offer的最大概率。用百分数表示,精确到小数点后一位。
 

Sample Input
10 3 4 0.1 4 0.2 5 0.3 0 0
 

Sample Output
44.0%

题解:简单dp问题,我一开始用二维数组但是好像开不了那么大,所以用的一维数组的方法。这里因为算至少被一家公司接受的最大概率不好算,所以我算的是不被任何公司接受的最小概率,只要在一开始读入数据的时候进行预处理就可以了。dp[j]表示拥有j万元的时候不被任何一家公司接受的最大概率,状态转移方程:dp[j] = min(dp[j - w[i]] * v[i],dp[j]),最后结果为1 - dp[n]。再对输出数据进行处理就可以了。

注意开始要写while(scanf("%d%d",&n,&m) && (n || m)),开始我写成n&&m就WA了,


#include <cstdio>
#include <iostream>
#include <algorithm>
#include <cstring>
using namespace std;

const int maxn = 10005;

int main()
{
    float dp[maxn];
    float v[maxn];
    float ans;
    int w[maxn];
    int m,n;
    while(scanf("%d%d",&n,&m) && (n || m))
    {
        memset(w,0,sizeof(w));
        for(int i = 0;i <= n;i++)
        {
            dp[i] = 1;
        }
        for(int i = 1;i <= m;i++)
        {
            scanf("%d%f",&w[i],&v[i]);
            v[i] = 1 - v[i];
        }
        for(int i = 1;i <= m;i++)
        {
            for(int j = n;j >= w[i];j--)
            {
                dp[j] = min(dp[j - w[i]] * v[i],dp[j]);
            }
        }
        ans = 1 - dp[n];
        ans = ans * 100;
        printf("%.1f%%\n",ans);
    }
    return 0;
}

内容概要:本文档详细介绍了一个基于MATLAB实现的跨尺度注意力机制(CSA)结合Transformer编码器的多变量时间序列预测项目。项目旨在精准捕捉多尺度时间序列特征,提升多变量时间序列的预测性能,降低模型计算复杂度与训练时间,增强模型的解释性和可视化能力。通过跨尺度注意力机制,模型可以同时捕获局部细节和全局趋势,显著提升预测精度和泛化能力。文档还探讨了项目面临的挑战,如多尺度特征融合、多变量复杂依赖关系、计算资源瓶颈等问题,并提出了相应的解决方案。此外,项目模型架构包括跨尺度注意力机制模块、Transformer编码器层和输出预测层,文档最后提供了部分MATLAB代码示例。 适合人群:具备一定编程基础,尤其是熟悉MATLAB和深度学习的科研人员、工程师和研究生。 使用场景及目标:①需要处理多变量、多尺度时间序列数据的研究和应用场景,如金融市场分析、气象预测、工业设备监控、交通流量预测等;②希望深入了解跨尺度注意力机制和Transformer编码器在时间序列预测中的应用;③希望通过MATLAB实现高效的多变量时间序列预测模型,提升预测精度和模型解释性。 其他说明:此项目不仅提供了一种新的技术路径来处理复杂的时间序列数据,还推动了多领域多变量时间序列应用的创新。文档中的代码示例和详细的模型描述有助于读者快速理解和复现该项目,促进学术和技术交流。建议读者在实践中结合自己的数据集进行调试和优化,以达到最佳的预测效果。
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