Vijos 1599 - 货币

介绍了一种在神秘星球上的金币兑换算法,玩家通过特定规则将一枚金币兑换成更多小额货币以达到财富最大化的目标。文章提供了一个使用记忆化搜索的方法来解决这个问题,并分享了优化过程中遇到的问题及解决方案。

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

描述

在某个神秘的星球上有一种货币,它有一种奇怪的兑换规则
你有且仅有一枚面值为n的金币,你可以去银行进行兑换,也可以不兑换
如果去银行兑换,兑换的规则是这样的:用面值为a的金币去兑换可以换到a/2,a/3,a/4这三枚硬币(如果
是小数则截尾取整),你可以兑换多次
读入n
输出你最后最多能拥有的钱数w
每个测试点中有T组数据

格式

输入格式

一个数T表示该点的测试数据组数(1=<T<=20 )
下面跟着T行,每行一个整数n(0 <= n <= 1000000000 )

输出格式

输出T行(一一对应)
每行一个整数就是你最后最多拥有的钱数w

样例

样例输入

2
12
2

样例输出

13
2

限制

各个测试点3s

提示

小心数据较大,但是不需要高精度


要使用记忆化,即用一个数组把曾经计算过的结果存储在里面。

超时了好几次,原来一直用DFS搜,没用记忆化。用了记忆化之后又内存超限,数组缩小到了一个可以过的范围。

#include <cstdio>

long long ans;
long long money;
long long result[50000005] = {0};
long long DFS(long long num);
inline long long maxn(long long a, long long b)
{
    return a > b ? a : b;
}
int main()
{
    int T;
    scanf("%d", &T);
    while (T--)
    {
        scanf("%lld", &money);
        ans = money;
        if (money > 3)
        {
            ans = maxn(money, DFS(money/2) + DFS(money/3) + DFS(money/4));
        }
        printf("%lld\n", ans);
    }
    return 0;
}

long long DFS(long long num)
{
    if (num <= 3)
        return num;
    else if (num <= 50000000 && result[num] > 0)
        return result[num];
    else if (num <= 50000000)
        return result[num] = maxn(num, DFS(num/2) + DFS(num/3) + DFS(num/4));
    else
        return maxn(num, DFS(num/2) + DFS(num/3) + DFS(num/4));
}

感觉数组还能再大一点...

内容概要:文档《软件测试经典面试题.docx》汇总了软件测试领域的常见面试题及其参考答案。涵盖的主题包括但不限于兼容性测试、性能测试、单元测试、集成测试、系统测试、Bug管理、测试工具(如Bugzilla、LoadRunner、QTP)、测试用例设计、测试流程、测试类型的区别与联系、测试中的沟通技巧、测试环境搭建、网络与操作系统基础知识等。文档不仅涉及具体的测试技术和工具,还包括了对测试人员职业发展的探讨,如测试工程师应具备的素质、职业规划、如何处理与开发人员的关系等。 适用人群:具备一定编程基础,尤其是有志于从事软件测试工作的人员,以及希望提升自身测试技能的专业人士。 使用场景及目标:①帮助求职者准备软件测试相关岗位的面试;②为在职测试工程师提供技术参考和职业发展建议;③为项目经理或HR提供招聘软件测试人员时的面试题目参考;④帮助理解软件测试在软件开发中的重要性及其实现方法。 阅读建议:本文内容详实,涵盖面广,建议读者根据自身需求选择性阅读。对于面试准备,重点关注面试题及其解答思路;对于技术提升,深入理解测试工具和方法;对于职业发展,思考测试人员所需素质及职业规划。同时,结合实际工作中的案例进行理解和实践,有助于更好地掌握和应用这些知识。
内容概要:本文详细介绍了长短期记忆神经网络(LSTM)和极限学习机(ELM)在Matlab中实现天气预测的方法,并进行了对比分析。首先,文章阐述了LSTM和ELM的基本原理,随后分别展示了它们的数据准备、预处理、网络构建、训练以及预测的具体步骤。LSTM作为一特殊的循环神经网络,擅长处理时间序列数据中的长期依赖问题,而ELM则以其快速的训练速度著称。通过对某气象站三年数据的实际测试,LSTM在复杂天气数据预测中表现出更高的精度,特别是在长时间序列预测方面优势明显;ELM则因其简洁快速的特点适用于快速原型开发和资源受限环境。最终,文章通过对比两者的预测精度和训练效率,提出了根据不同应用场景选择合适算法的建议。 适合人群:对机器学习尤其是深度学习感兴趣的科研人员、学生以及从事气象预报工作的专业人士。 使用场景及目标:①研究和开发气象预测系统;②探索不同神经网络算法在时间序列预测中的优劣;③提高天气预测的准确性和时效性。 其他说明:文中提供了详细的Matlab代码实现,帮助读者更好地理解和复现实验结果。同时强调了特征工程的重要性,指出适当增加特征(如气压梯度)可以显著提升预测效果。此外,还提到了一些实用技巧,例如利用ELM作为LSTM的初始化器以减少训练轮数,以及在LSTM预测结果后加上滑动平均滤波以改善曲线平滑度。
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