NOIP 2016 换教室 DP

本文介绍了一种使用动态规划(DP)解决课程换教室问题的方法。通过Floyd算法预处理任意两点间的最短路径,结合换教室的成功率,构建状态转移方程。最终求得在给定条件下,完成所有课程所需的最小期望距离。

DP 很好想:
首先,考虑对于所有的教室与道路,地图本身是存在最短路的,我们先用floyd求出任意两点之间的最短距离。

其次,针对所有事件可能发生的情况:

1.当前的课不换的情况:

(1)上一节课也没换;

(2)上一节课换了—-成功or不成功;

2.当前的课换的情况:

(1)当前课成功换了:

a.上一节课换了—-上一节课成功or不成功

b.上一节课没换;

(2)当前的课换了失败:

a.上一节课换了—-上一节课成功or不成功

b.上一节课没换;

最后,按步就班地结合题中给出的概率,以及我们用floyd求出的距离,列出转移方程:

f[i][j][0] = min(f[i-1][j][0] + d[a[i-1]][a[i]], f[i-1][j][1] + d[a[i-1]][a[i]] * (1 - c[i-1]) + d[b[i-1]][a[i]] * c[i-1]);

f[i][j][1] = min(f[i-1][j-1][0] + d[a[i-1]][a[i]] * (1.0-c[i]) + d[a[i-1]][b[i]] * c[i], f[i-1][j-1][1] + d[a[i-1]][a[i]] * (1.0-c[i-1]) * (1.0-c[i]) + d[b[i-1]][a[i]] * c[i-1] * (1.0-c[i]) + d[a[i-1]][b[i]] * (1.0-c[i-1]) * c[i] + d[b[i-1]][b[i]] * c[i-1] * c[i]);
细节要注意:
图有自环

#include <cstdio>
#include <iostream>
#include <cstring>
#include <cmath>
using namespace std;
inline int read(){
    int f=1,x=0;
    char c=getchar();
    while (c<'0'||c>'9'){if (c=='-') f=-1;c=getchar();}
    while (c>='0'&&c<='9'){x=x*10+c-'0';c=getchar();}
    return f*x;
} 
int n,m,g,h,o,p;
double  f[2005][2005][2],a[305][305],b[20005];
int c[2005],d[2005];
double minx(double x,double y){
    if (x>y) return y;
    else return x; 
}
int main(){
    n=read();m=read();o=read();p=read();
    for (int i=1;i<=n;i++)
        c[i]=read();    
    for (int i=1;i<=n;i++)
    d[i]=read();
    for (int i=0;i<=o;i++)
    for (int j=0;j<=o;j++) if (i!=j) a[i][j]=2e9;
    for (int i=1;i<=n;i++) scanf("%lf",&b[i]);
    for (int i=1;i<=p;i++){
        int x=read(),y=read();double z;
        scanf("%lf",&z);
        a[x][y]=a[y][x]=minx(z,a[x][y]);

    }

    for (int k=1;k<=o;k++)
    for (int i=1;i<=o;i++)
    for (int j=1;j<=o;j++)
    if (a[i][k]+a[k][j]<a[i][j]) a[i][j]=a[i][k]+a[k][j];
    for (int i=0;i<=n;i++)
    for (int j=0;j<=m;j++) f[i][j][0]=f[i][j][1]=2e9;
    f[1][0][0]=0;f[1][1][1]=0;
        for (int i=2;i<=n;i++)
        {
            f[i][0][0]=f[i-1][0][0]+a[c[i-1]][c[i]];
            for (int j=1;j<=m;j++){
                f[i][j][0]=f[i-1][j][0]+a[c[i-1]][c[i]];
                f[i][j][0]=minx(f[i][j][0],f[i-1][j][1]+b[i-1]*a[d[i-1]][c[i]]+(1-b[i-1])*a[c[i-1]][c[i]]);
                f[i][j][1]=f[i-1][j-1][0]+b[i]*a[c[i-1]][d[i]]+(1-b[i])*a[c[i-1]][c[i]];
f[i][j][1]=minx(f[i][j][1],f[i-1][j-1][1]+b[i]*(1.0*b[i-1]*a[d[i-1]][d[i]]+1.0*(1.0-b[i-1])*a[c[i-1]][d[i]])+(1.0-b[i])*(1.0*b[i-1]*a[d[i-1]][c[i]]+1.0*(1.0-b[i-1])*a[c[i-1]][c[i]]));

            }
        }
    double ans=f[n][0][0];
    for(int i=1;i<=m;++i)ans=min(f[n][i][0],ans),ans=min(f[n][i][1],ans);
    printf("%0.2lf\n",ans);
    return 0;
}
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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