【NOIP2017提高A组模拟9.5】NYG的背包

这篇博客探讨了如何解决背包问题,采用贪心策略进行优化。首先按物品增加背包容量的差值升序排序,然后根据物品体积从大到小放入背包,通过不断调整背包状态判断是否能装下所有物品。代码实现中使用了优先队列来辅助操作,展示了具体的编程实现和样例输入输出。

【NOIP2017提高A组模拟9.5】NYG的背包

Description

在这里插入图片描述

Input

在这里插入图片描述

Output

在这里插入图片描述

Sample Input

输入1:
1
3 5
3 1
4 8
8 3

输入2:
3
7 9269
21366 1233
7178 23155
16679 23729
15062 28427
939 6782
24224 9306
22778 13606
5 22367
17444 5442
16452 30236
14893 24220
31511 13634
4380 29422
7 18700
25935 4589
24962 9571
26897 14982
20822 2380
21103 12648
32006 22912
23367 20674

Sample Output

输出1:
Yes

输出2:
Yes
Yes
No

Data Constraint

在这里插入图片描述

题解

题意

有个背包,每放进一个物品就会增大一定的值,问能否把所有物品装下

分析

显然贪心
先放b-a>=0的
再按照物体的体积从大到小放

code

#include<cstdio>
#include<cctype>
#include<cstdlib>
#include<algorithm>
#define R register int 
using namespace std;
const int N=100010;
struct rd{
	long long a,b;
}a[N],b[N];
struct Node{long long w;int pos;}; 
struct node{
	int cnt;
	Node q[N];
	void push(Node x){
		q[++cnt]=x;
		int y=cnt;
		while(y>1&&q[y].w>q[y>>1].w)
			q[0]=q[y],q[y]=q[y>>1],q[y>>1]=q[0],y>>=1;
	}
	void pop(){
		q[1]=q[cnt--];
		int y=1,x;
		while((y*2<=cnt&&q[y*2].w>q[y].w)||(y*2<cnt&&q[y*2+1].w>q[y].w)){
			if(y*2<cnt&&q[y*2+1].w>q[y*2].w)x=y*2+1;
			else x=y<<1;
			q[0]=q[x],q[x]=q[y],q[y]=q[0],y=x;
		}
	}
}q;
int T,n;
long long v;
inline void read(long long &x){
	x=0;char ch=getchar();
	while(!isdigit(ch))ch=getchar();
	while(isdigit(ch))x=(x<<1)+(x<<3)+(ch^48),ch=getchar();
}
bool cmp1(rd x,rd y){return x.a<y.a;}
bool cmp2(rd x,rd y){return x.b>y.b;}
int main(){
	scanf("%d",&T);
	while(T--){
		R j=1,tot=0;
		q.cnt=0; 
		scanf("%d%lld",&n,&v);
		for(R i=1;i<=n;++i)read(a[i].a),read(a[i].b);
		sort(a+1,a+1+n,cmp1);
		for(j=1;j<=n&&a[j].a<=v;++j)q.push(Node{a[j].b-a[j].a,j});
		while(q.cnt&&v>0){
			while(q.cnt&&a[q.q[1].pos].a>v)q.pop();
			if(!q.cnt||q.q[1].w<0)break;
			v+=q.q[1].w,++tot,q.pop();
			while(j<=n&&a[j].a<=v)q.push(Node{a[j].b-a[j].a,j}),++j;
		}
		j=0;
		while(q.cnt)b[++j].a=a[q.q[1].pos].a,b[j].b=a[q.q[1].pos].b,q.pop();
		sort(b+1,b+1+j,cmp2);
		for(R i=1;i<=j&&b[i].a<=v;++i)v+=b[i].b-b[i].a,++tot;
		if(tot==n)printf("Yes\n");
		else printf("No\n");
	}
} 
MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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