HDU-2571---命运

本文介绍了一种使用动态规划解决迷宫寻路问题的方法,旨在寻找从起点到终点的最大幸运值路径。通过构建DP状态转移方程并采用最优策略进行路径选择,实现了对复杂迷宫的有效求解。

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

//
//  main.cpp
//  练习
//
//  Created by Mallow on 2018/4/19.
//  Copyright © 2018年 Mallow. All rights reserved.
//


#include <stdio.h>
#include <stdlib.h>
#include <iostream>
#include <algorithm>
#include <string.h>
#include <cstring>
#include <math.h>
#include <cmath>
using namespace std;
#define INF 0x3f3f3f;
int dp[30][1005];
int s[30][1005];
int max1(int a,int b){
    return a>b?a:b;
}
int main()
{
    int n,m,t;
    cin>>t;
    while(t--){
        cin>>n>>m;
        for(int i=1;i<=n;i++){
            for(int j=1;j<=m;j++){
                cin>>s[i][j];
            }
        }
        for(int i=1;i<=n;i++){
            for(int j=1;j<=m;j++){
                dp[i][j]=-INF;
            }
        }
        for(int i=0;i<=m;i++){
            dp[0][i]=-INF;
        }
        for(int i=0;i<=n;i++){
            dp[i][0]=-INF;
        }
        dp[0][1]=dp[1][0]=0;
        for(int i=1;i<=n;i++){
            for(int j=1;j<=m;j++){
                dp[i][j]=max1(dp[i-1][j],dp[i][j-1]);
                for(int k=2;k<=m;k++){
                    if(j%k==0){
                        dp[i][j]=max1(dp[i][j],dp[i][j/k]);
                    }
                }
                dp[i][j]+=s[i][j];
            }
        }
        cout<<dp[n][m]<<endl;
    
    }
    return 0 ;
}

思路:
简单经典的DP
对于要被DP的元素,线性的或者二维表,我们是从头扫到尾的,这个顺序是从前往后的是为了给后面的点做铺垫,但是对于每一次的扫描,我们是要刷新已有的那些点,这时候只有向前看才能真正的实现“做铺垫”。
对于这题而言,每一次的扫描,我们从可能从dp[i-1][j],dp[i][j-1],dp[i][j/k]这些可能的点中取得最大的值,然后更新当前的点
有一点要注意的是为了良好的拓展性,我们要将第一行和第一列都纳入到for循环中去,而这样的做的前提是把第0行和第0列都置为-INF
想明白了一个问题,就是在一开始的时候为什么要把dp[0][1]和dp[1][0]都设置为0,是为了让dp[1][1]在for循环中能求得正确的答案,我们也可以直接手动的设置它的初始值。对于这些特殊的值(第一行,第一列),我们要单独的拿出来考虑,即如果考虑到特殊值的同时也考虑到了扩展性,我们就要仔细的设置好默认值。





穿过幽谷意味着离大魔王lemon已经无限接近了! 
可谁能想到,yifenfei在斩杀了一些虾兵蟹将后,却再次面临命运大迷宫的考验,这是魔王lemon设下的又一个机关。要知道,不论何人,若在迷宫中被困1小时以上,则必死无疑! 
可怜的yifenfei为了去救MM,义无返顾地跳进了迷宫。让我们一起帮帮执着的他吧! 
命运大迷宫可以看成是一个两维的方格阵列,如下图所示: 
 
yifenfei一开始在左上角,目的当然是到达右下角的大魔王所在地。迷宫的每一个格子都受到幸运女神眷恋或者痛苦魔王的诅咒,所以每个格子都对应一个值,走到那里便自动得到了对应的值。
现在规定yifenfei只能向右或者向下走,向下一次只能走一格。但是如果向右走,则每次可以走一格或者走到该行的列数是当前所在列数倍数的格子,即:如果当前格子是(x,y),下一步可以是(x+1,y),(x,y+1)或者(x,y*k) 其中k>1。 
为了能够最大把握的消灭魔王lemon,yifenfei希望能够在这个命运大迷宫中得到最大的幸运值。 
 
Input输入数据首先是一个整数C,表示测试数据的组数。 
每组测试数据的第一行是两个整数n,m,分别表示行数和列数(1<=n<=20,10<=m<=1000); 
接着是n行数据,每行包含m个整数,表示n行m列的格子对应的幸运值K ( |k|<100 )。 
Output请对应每组测试数据输出一个整数,表示yifenfei可以得到的最大幸运值。Sample Input
1
3 8
9 10 10 10 10 -10 10 10
10 -11 -1 0 2 11 10 -20
-11 -11 10 11 2 10 -10 -10
Sample Output
52
内容概要:本文针对火电厂参与直购交易挤占风电上网空间的问题,提出了一种风火打捆参与大用户直购交易的新模式。通过分析可再生能源配额机制下的双边博弈关系,建立了基于动态非合作博弈理论的博弈模型,以直购电价和直购电量为决策变量,实现双方收益均衡最大化。论文论证了纳什均衡的存在性,并提出了基于纳什谈判法的风-火利益分配方法。算例结果表明,该模式能够增加各方收益、促进风电消纳并提高电网灵活性。文中详细介绍了模型构建、成本计算和博弈均衡的实现过程,并通过Python代码复现了模型,包括参数定义、收益函数、纳什均衡求解、利益分配及可视化分析等功能。 适合人群:电力系统研究人员、能源政策制定者、从事电力市场交易的工程师和分析师。 使用场景及目标:①帮助理解风火打捆参与大用户直购交易的博弈机制;②为电力市场设计提供理论依据和技术支持;③评估不同政策(如可再生能源配额)对电力市场的影响;④通过代码实现和可视化工具辅助教学和研究。 其他说明:该研究不仅提供了理论分析,还通过详细的代码实现和算例验证了模型的有效性,为实际应用提供了参考。此外,论文还探讨了不同场景下的敏感性分析,如证书价格、风电比例等对市场结果的影响,进一步丰富了研究内容。
资源下载链接为: https://pan.quark.cn/s/d37d4dbee12c A:计算机视觉,作为人工智能领域的关键分支,致力于赋予计算机系统 “看懂” 世界的能力,从图像、视频等视觉数据中提取有用信息并据此决策。 其发展历程颇为漫长。早期图像处理技术为其奠基,后续逐步探索三维信息提取,与人工智能结合,又经历数学理论深化、机器学习兴起,直至当下深度学习引领浪潮。如今,图像生成和合成技术不断发展,让计算机视觉更深入人们的日常生活。 计算机视觉综合了图像处理、机器学习、模式识别和深度学习等技术。深度学习兴起后,卷积神经网络成为核心工具,能自动提炼复杂图像特征。它的工作流程,首先是图像获取,用相机等设备捕获视觉信息并数字化;接着进行预处理,通过滤波、去噪等操作提升图像质量;然后进入关键的特征提取和描述环节,提炼图像关键信息;之后利用这些信息训练模型,学习视觉模式和规律;最终用于模式识别、分类、对象检测等实际应用。 在实际应用中,计算机视觉用途极为广泛。在安防领域,能进行人脸识别、目标跟踪,保障公共安全;在自动驾驶领域,帮助车辆识别道路、行人、交通标志,实现安全行驶;在医疗领域,辅助医生分析医学影像,进行疾病诊断;在工业领域,用于产品质量检测、机器人操作引导等。 不过,计算机视觉发展也面临挑战。比如图像生成技术带来深度伪造风险,虚假图像和视频可能误导大众、扰乱秩序。为此,各界积极研究检测技术,以应对这一问题。随着技术持续进步,计算机视觉有望在更多领域发挥更大作用,进一步改变人们的生活和工作方式 。
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