[队内测试Day10.22T3][codevs1684]垃圾陷阱

[codevs1159]最大全零子矩阵 传送门←这里用二维单调栈 其实就是对每一行跑一遍单调栈……#include<iostream> #include<cstdio> #include<algorithm> #include<cstring> #include<stack> using namespace std; const int MAXN = 2000 + 50; int map[MAXN][MAXN],f[MAXN][MAXN 阅读详情

题目←

考试的时候沉迷T4而忽略掉的DP题
也是该复习DP了……

摸鱼:
设dp[i][j]为第i个物品在时间为j时的最大高度
转移更直观一些
dp[i][j] = dp[i - 1][j - l[i].t];//吃
dp[i][j] = dp[i - 1][j] + l[i].h//堆

注意在吃的时候,需要满足j - l[i].t >= l[i].f,堆得话需满足j >= l[i].f
意义为在使用了i - 1堆垃圾而到达第i堆垃圾扔下的时间的情况,这样才是合法的

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;
const int MAXN = 20000 + 50;
struct edge{
    int f,t,h;
}l[MAXN << 1];
int D,G,dp[105][MAXN],lim;
bool cmp(edge a,edge b){
    return a.f < b.f;
}
int main(){
    scanf("%d%d",&D,&G);
    for(int i = 1;i <= G;i ++){
        scanf("%d%d%d",&l[i].f,&l[i].t,&l[i].h);
    }
    sort(l + 1,l + G + 1,cmp);
    memset(dp,-1,sizeof(dp));
    for(int i = 0;i <= 10;i ++){
        dp[0][i] = 0;
    }
    lim = 10;
    for(int i = 1;i <= G;i ++){
        if(lim < l[i].f){
            printf("%d",lim);
            return 0;
        }
        lim += l[i].t;
        for(int j = 0;j <= lim;j ++){
            dp[i][j] = dp[i - 1][j];
            if(j >= l[i].f){
                if(j - l[i].t >= l[i].f)dp[i][j] = max(dp[i][j],dp[i - 1][j - l[i].t]);
                if(dp[i - 1][j] != -1)
                    dp[i][j] = max(dp[i][j],dp[i - 1][j] + l[i].h);
                if(dp[i][j] >= D){
                    printf("%d\n",l[i].f);
                    return 0;
                }
            }
        }
    }
    /*for(int i = 1;i <= G;i ++){
        for(int j = 0;j <= lim;j ++){
            printf("%d ",dp[i][j]);
        }
        printf("\n");
    }*/
    printf("%d",lim);
    return 0;
}

正解:
如果不看题解是没有这种思路的……
充分体现了DP的另一个技巧:设计不出方程的时候把数组下标和它存的内容换一换
设f[j]为到达高度i时的最大生命时间
对于垃圾i,有吃和堆的情况:

f[j + l[i].h] = max(f[j + l[i].h],f[j]);//堆,高度增时间不增
f[j] += l[i].w //吃,吃掉时一定为这一高度的最优情况

关于垃圾到达时间的限制,仅当f[j] >= 垃圾i的到达时间时,才可以选择堆或吃
否则为i之前的垃圾无法在i到来的时刻堆到高度j,该高度不合法。
如果无法到达则全部吃掉可存活最长时间,输出f[0]
确实有点像带限制的01背包?

#include<cstdio>
#include<iostream>
#include<algorithm>
using namespace std;
int D,n;
struct edge{
    int f,h,w;
}l[23333];
int f[233333];
int solve(){
    f[0] = 10;
    for(int i = 1;i <= n;i ++){
        for(int j = D;j >= 0;j --){
            if(l[i].f <= f[j]){
                f[j + l[i].h] = max(f[j + l[i].h],f[j]);
                if(j + l[i].h >= D)return l[i].f;
                f[j] += l[i].w;
            }
        }
    }
    return -1;
}
bool cmp(edge a,edge b){
    return a.f < b.f;
}
int main(){
    scanf("%d%d",&D,&n);
    for(int i = 1;i <= n;i ++){
        scanf("%d%d%d",&l[i].f,&l[i].w,&l[i].h);
    }
    sort(l + 1,l + n + 1,cmp);
    int temp = solve();
    if(temp == -1)temp = f[0];
    printf("%d",temp);
    return 0;
}

Screenshot_2026-11-03-16-23-09-34.jpg 立即下载

相关推荐

研发流程后端开发工具,提示功能开发效率

后端开发工具

2016.8.6测试解题报告(well-垃圾陷阱)

垃圾陷阱题目描述: 约翰的hesitans奶牛掉到了一个高度为D垃圾井里面,农民约翰要把奶牛救出来,于是他往垃圾井里面扔G个垃圾。对于第i个垃圾,奶牛卡门可以把他吃掉来延长f[i]小时时长的生命,也可以把它放在脚下来垫高自己的高度h[i]。每个垃圾掉落的时间分别为t[i]。现给出垃圾的数量和每个垃圾的掉落时间、可延长生命的时间和可以垫高的高度,请你输出奶牛最早什么时候可以爬出垃圾井。(这道题在BZ

yashem66 580

机器人具有扰动抑制功能的有限时间基于方位角的领航者-跟随者编队控制(Matlab代码实现)

内容概要:本文档标题为《Plecs全桥LLC谐振变换器仿真模型.txt》,但实际内容并未涉及该主题的具体技术细节或仿真建模过程。相反,文档实质是一份由科研服务团队发布的跨学科资源目录,集中展示了大量基于Matlab、Simulink、Python、PSCAD等平台实现的科研项目与算法开发案例,涵盖电力系统、无人机路径规划、微电网优化、状态估计、信号处理、车间调度、图像处理、通信技术、雷达追踪、智能优化算法等多个工程技术领域。每个条目以“【】”标注研究主题,并注明“Matlab代码实现”“Python代码实现”等形式,表明其为可提供技术支持与代码资源的服务项目。文档末尾频繁出现“完整资源下载:公众号——荔枝科研社”及百度网盘链接,明确体现出其作为科研辅助服务推广与引流工具的功能属性。; 适合人群:面向电气工程、自动化、控制科学与工程、计算机科学、智能制造、新能源、航空航天、通信工程及相关交叉学科的研究生、高校教师、科研人员及企业研发工程师。; 使用场景及目标:①为科研人员提供课题选题、技术路线设计与算法实现的参考范例;②辅助学生或研究人员完成课程设计、毕业论文、项目仿真与算法复现任务;③作为第三方技术服务团队的能力展示目录,便于潜在客户快速了解其在多领域提供的定制化仿真与算法开发服务范围。; 阅读建议:此文档并非传统意义上的学术论文或技术教程,而是一份高度碎片化、广告性质浓厚的资源索引清单。读者应忽略其误导性的文件名,将其视为一个综合性科研技术服务目录,重点关注自身研究方向相关的条目,并通过文末提供的公众号或网盘链接进一步获取具体代码与资料。同时,需注意甄别资源的技术质量、原创性与适用性,避免盲目依赖外部服务。

[洛谷P1658]购物

题目←因为看方法大概跟题解里的不太一样,就另写了个题解丢上去了 这里就不再写了……#include<iostream> #include<cstdio> #include<algorithm> #include<cstring> using namespace std; int x,n,v[10010],cnt; int dp[10010],ans = 10010; bool exist[1001

LOI_pingxing的博客 764

科技中介服务机构如何打造高效、可复制的技术交易服务流程?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

[小技巧] 如何复制知乎电子书中的文字和图片

文章目录一、背景二、复制文字1.最简单的方法(适合短小文字)2. 进阶方法(适合大段文字)三、复制图片四、注意事项 一、背景 有时候希望从书中摘录一部分文字作为笔记,但是知乎电子书阅读时候是禁止copy的,要么手打,要么OCR,给学习带来了一些不便。 审查元素后发现,知乎电子书是把文字分成一段一段的,试图F12直接copy不太方便。 本问将以谷歌Chrome浏览器为例,给出复制小技巧。 二、复制文字 1.最简单的方法(适合短小文字) 选中你需要的文字,左键单击不放,直接拖到地址栏。 然后可以从地址栏中

江南蜡笔小新 9247

[codevs1418]愚蠢的矿工

题目←之前听过思路,胡搞了一下…… 左儿子右兄弟写起来简单些(枚举次数并不少)转移: dp[i][j]为到第i个点剩j人的最大可获价值 节点上留人则可由左儿子和右兄弟的和+自己转来; 节点上不留人只能由右兄弟转来#include<iostream> #include<cstdio> #include<algorithm> #include<cstring> using namespace s

LOI_pingxing的博客 750

MIPI转LVDS芯片调试实战:从Kernel到UEFI的完整点亮流程

本文详细解析了MIPI转LVDS芯片调试的全流程,从Kernel驱动开发到UEFI早期初始化,涵盖I2C通信、电源时序控制等核心挑战。通过LT9211芯片实战案例,提供设备树配置、电源时序优化及显示异常排查等实用技巧,助力工程师高效完成屏幕调试工作。

weixin_30314813的博客 450

[codevs4888零件分组][codevs1044拦截导弹]

codevs4888零件分组两道题目都牵扯到了一个问题,一个区间中存在的单调序列的个数 若要求序列单调不增,则序列个数为最长单调递增序列;(导弹拦截) 若要求序列单调不减,则个数为最长单调递减序列;(零件分组)证明摘自某不知名blog: 对于某序列有增有减,则该序列所形成的严格单调递增序列必然为其每个互相完全不相同单调递减序列的某一个元素共同构成,即对于序列100 68 66 56 78 8

LOI_pingxing的博客 706

目前最新NIST随机数测试软件下载、安装、及使用教程

最近由于科研需要,在搞一些随机数的测试的事情,众所周知 随机数测试我们可以使用NIST的软件进行多大15项的随机测试,我也在网上查找了很多大牛的博客,但是都是年代久远,很多的链接现在都是物是人非,都是不能直接使用了,今天顺便抽点时间更新一下这个NIST软件的下载及使用。我们首先讲一下该软件的下载:1.我们直接取NIST的官网(https://csrc.nist.gov/)下载即可 ;链接如下:下载...

Miracle.Zhao的博客 3万+

MAC 青花瓷(Charles)爪机HTTPS 抓包

前段时间跟之前的产品小姐姐聊天,小姐姐说开发让她抓包帮忙看下数据,然而自己又不会,那就来写一篇简易版的教程 冲冲冲! 手上只有mac电脑跟iPhone手机,只做苹果手机的抓包,android7.0以上版本也没法通过正常的抓htts的包,让安卓开发装个后门吧,不是安卓开发并不知道是啥,连上USB之后访问chrome://inspect/#devices就能很简单的抓包 一、准备工具等 青花瓷...

Promise的博客 1615

[vijos1907][codevs3729]飞扬的小鸟

题目←n <= 10000,m <= 1000,凑成10^7刚好 所以设dp[i][j]为到位置i高度j的最小步数 一个显然的转移是dp[i][j] = min(dp[i - 1][j - h[i][0]],dp[i - 1][j +h[i][1]) 然而我们注意到,在一个地方只是可以多次点击的 也就是说,h[i][0]可以累加多次 枚举h[i][0]累加次数会T两个点 但我们注意到,一

LOI_pingxing的博客 624

MTK Android 12 Clone Project 克隆项目

本文介绍了如何使用MTK Android 12 Clone Project 克隆一个新的项目。通过使用绝对路径执行Perl脚本,并根据需要选择升级或降级位数,可以成功地生成一个新的项目并进行编译。希望本文对xdm有所帮助。

我其实什么都不会 942

[vijos1232]核电站问题

题目←大概需要更多方案数这方面DP的练习……题意:在n个位置放 <= m个核电站,有多少种放法使最长连续核电站数 <= m dp[i][j]定义:以第i个核电站为终点,最放连续j个核电站的方案数 这样若j位置连续大于等于1个,则方案数为dp[i][j] = dp[i - 1][j - 1], 若位置j连续为0,则为dp[i - 1]这一层所有状态方案数的总和 注意枚举时j始终 < m,#in

LOI_pingxing的博客 564

【踩坑记录】pandas.to_sql 报 “‘Engine‘ object has no attribute ‘cursor‘”,最后竟然是环境问题

摘要 本文记录了使用pandas+SQLAlchemy+pymysql将数据写入MySQL时遇到的"Engine对象无cursor属性"错误及其解决方案。问题表现为to_sql方法将SQLAlchemy引擎误认为普通DBAPI连接,导致调用cursor()方法失败。经排查发现,这是由于pandas/SQLAlchemy环境损坏所致,而非代码问题。最终通过完全卸载并重新安装pandas(≥2.1)、SQLAlchemy(≥2.0)和pymysql解决了该问题。文章还建议将遗留的read_s

每日出拳老爷子的博客 336

Transformers 实战修炼与源码剖析专栏大纲

本专栏以 Hugging Face Transformers 为主线,围绕“能用、会调、敢上线、懂源码”四个目标展开。内容不把理论堆成公式墙,而是用真实或拟真的业务场景驱动:客服分类、合同抽取、知识库问答、模型微调、推理服务、监控告警、源码扩展等。采用“业务痛点 → 三人剧本对话 → 代码实战 → 总结思考”的四段式结构,让读者在动手完成一个个小项目的过程中,逐步理解 Tokenizer、Model、Pipeline、Trainer、Generation、PEFT、Accelerate、Serving等概念

davidwang456的专栏 923

[洛谷P2246] Hello World

明确各个数组的含义,保证在转移的时候符合实际

LOI_pingxing的博客 553

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

[vijos1235]天堂的馈赠

题目←状态定义很显然的DP题 设dp[i][j]为第i秒位于位置j所能获得的最大礼物价值 这样dp[i][j]可以由dp[i - 1][j - 1],dp[i - 1][j],dp[i - 1][j + 1]推来一开始怎么交怎么wa,郁闷不已 然后发现是这句话:当礼物在某一秒末恰好到达小杉所在的格子中,小杉就接到了这个礼物所以。。所有到达时间是浮点数(速度不被H整除)的礼物都是接不到的……

LOI_pingxing的博客 552

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

[codevs1048]石子归并

区间型经典例题

LOI_pingxing的博客 539

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

[codevs1315]摆花

题目←大意: m种花,每种花有a[i]盆,共摆m盆,有多少种摆法 注:第i + 1种花只能摆在第i种花后面 思路: 像是递推一样…… dp[i][j]表示第i种花摆到第j盆有多少方法 因为只能摆在第i-1种后面(不严格,第i - 1种可能没有摆,但没摆的可能性也算在第i - 1种之内),所以i这一维可以由i-1这一维推来#include<iostream> #include<cstd

LOI_pingxing的博客 518

[codevs4748]低价购买

最长不上升子序列及方案数

LOI_pingxing的博客 516

[vijos1292]火车票

为什么我能做的DP好像只有序列型QAQ

LOI_pingxing的博客 513

[codevs3289]花匠 线段树优化dp

线段树真是个好东西

LOI_pingxing的博客 512

[codevs1256]打鼹鼠

题目←大意: 一块n*n的网格,m只仓鼠,每只仓鼠会在某一时刻t出现在坐标x,y,求问在最大的t内最多打多少只仓鼠 tips:同一时刻同一地点只可能出现一只仓鼠。 给出的是网格大小n,以及m只仓鼠的出现时刻和坐标。思路: 一看题:枚举t,dp数组存点的坐标,状态定义成时刻t在x,y最多打多少只仓鼠,t这一维滚动 于是for(int t = s[1].t;t <= T;t ++)

LOI_pingxing的博客 508

[codevs1647]炮兵阵地

为什么不打poj1185?因为代码太弱过不了……

LOI_pingxing的博客 505
上一篇: [队内测试Day10.22T1][bzoj1821]部落划分 Group
下一篇: [队内测试Day10.22T4][洛谷P2680]运输计划
LOI_pingxing
博客等级 码龄10年 24粉丝 103原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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