POJ 3186 Treats for the Cows (区间DP)

本文介绍了一个关于牛奶售卖的动态规划问题,通过合理的选取队首或队尾的牛奶来最大化收益。给出了一段C++代码实现,利用二维数组进行状态转移。

题目链接:点击打开链接

题意:FJ这个人靠卖牛奶为生,他有N份牛奶,并存储在一个“双端队列”里,也就是每次只能从队首或者队尾取一份牛奶,每份牛奶有个基础值ai,他卖的第i份牛奶的价格为i*ai,求他卖完这N份牛奶能得到的最大值。

分析:为了最大化收益,那么他必须选择好当前究竟应该从队首还是队尾取奶,这就涉及到动态规划的问题,因为当前状态是由前一个状态转移过来的,我们用dp[i][j]来表示取完i~j这个区间所有牛奶能获得的最大值,每次取只能从队首或者队尾取,那么转移方程就是dp[i][j]=max(dp[i+1][j]+a[i]+(n-j+i),dp[i][j-1]+a[j]*(n-j+i));其中n-j+i为剩余区间长度,也就是第几份牛奶。

#include <cstdio>
#include <cstdlib>
#include <cstring>
#include <cmath>
#include <ctime>
#include <iostream>
#include <algorithm>
#include <string>
#include <vector>
#include <deque>
#include <list>
#include <set>
#include <map>
#include <stack>
#include <queue>
#include <cctype>
#include <numeric>
#include <iomanip>
#include <bitset>
#include <sstream>
#include <fstream>
#define debug "output for debug\n"
#define pi (acos(-1.0))
#define eps (1e-8)
#define inf 0x3f3f3f3f
#define ll long long int
#define lson l , m , rt << 1
#define rson m + 1 , r , rt << 1 | 1
using namespace std;
const int mod = 1000000007;
const int Max = 50005;
int a[Max];
int dp[2005][2005];
int main()
{
    int t;
    cin>>t;
    for(int i=1; i<=t; i++)
    {
        scanf("%d",&a[i]);
    }
    memset(dp,0,sizeof dp);
    for(int i=1; i<=t; i++)
    {
        dp[i][i]=t*a[i];
    }
    for(int l=1; l<t; l++)
    {
        for(int i=1; i+l<=t; i++)
        {
            int j=i+l;
            dp[i][j]=max(dp[i+1][j]+a[i]*(t-l),dp[i][j-1]+a[j]*(t-l));
        }
    }
    printf("%d\n",dp[1][t]);
    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研究员,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、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。; 适合群:企业市场/公关负责、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