墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
492平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
Rebuilding Roads
有限制的最小子树
生产车间
The Ghost Blows Light
软件安装(缩点)
本题集为作者（英雄哪里出来）在抖音的独家课程《英雄C++入门到精通》、《英雄C语言入门到精通》、《英雄Python入门到精通》三个课程的配套题集。是 作者本人 刷了近万道题目总结出来的精华题集。
其中【模板题集】和【课内题集】在课程中均有视频讲解，属于必须要完成的题，建议自己先做，如果不会再看视频学习。而【课后题集】是留给学员选做的，这部分内容不要求全部做完，但是如果想要进一步提升竞赛能力，肯定是做的越多越熟练越好（确保比赛时候遇到类似的题目，能够一眼看出来，并且模板能够非常熟练得敲出来）。
为了避免某些OJ年久失修，题集采用了四个OJ的题目（HDOJ、蓝桥云课、洛谷、力扣），其中力扣为核心代码模式（更适合求职面试），其它几个为ACM模式（更适合算法竞赛）。
夜深人静写算法（十八）- 依赖背包
有依赖关系的背包问题
树上dp+分组背包类问题
今天也是无意间看到了一个树上dp+分组背包类的问题，有些难度的，不好想的嘞，话不多说直接看题。
【树上分组背包】P12136 [蓝桥杯 2025 省 B] 生产车间|普及+
摘要 本文解决蓝桥杯2025省赛B组题目"生产车间"问题。题目描述一棵以1为根的树结构生产流水线，每个节点有不同加工能力。叶节点产出材料，中间节点加工材料，根节点打包成品。当某些节点接收材料超过其加工能力时，需要删除部分节点使生产线正常运行，同时最大化根节点的成品输出。 解题思路采用树形动态规划，通过深度优先搜索遍历树结构，计算每个子树的贡献值。对于每个节点，比较其子节点贡献总和与自身加工能力，取较小值作为该节点对父节点的贡献。最终根节点的贡献值即为答案。 样例输入输出展示了删除特定节点
《树上(分组)背包》基础概念
本文介绍了树上分组背包问题算法，该算法结合树形结构和背包问题，解决具有依赖关系的资源优化问题。算法通过递归处理树节点，定义状态dp[i][j]表示子树i在容量j时的最优价值，采用自底向上方式计算。核心步骤包括初始化状态、递归处理子树、状态转移以及结果获取。伪代码展示了具体实现，包括数据结构定义、初始化函数、递归DFS和结果计算。时间复杂度主要取决于节点数和背包容量，最坏情况下为O(n×V²)，空间复杂度为O(n×V)。该算法适用于公司资源分配等树形依赖场景。
保姆级教程：用DaVinci Configurator & Developer从零搭建AUTOSAR OS（TC2xx三核实战）
本文提供了一份详细的AUTOSAR OS配置指南，使用DaVinci Configurator和Developer工具从零开始搭建Infineon TC2xx三核系统。涵盖多核配置协同逻辑、版本兼容性陷阱及验证错误的解决方案，帮助开发者在3小时内构建可运行的多核OS框架。
AI 代码生成工具的质量评估体系
基础需求层包括响应速度（Response Time）和界面友好性（UI Friendliness），期望需求层涵盖智能提示（Smart Suggestions）和个性化配置（Personalization），兴奋需求层则涉及多模态交互（Multimodal Interaction）和代码进化（Code Evolution）。在金融领域，代码审计合规性（Compliance Audit）权重应提升至40%，而在Web开发中，API兼容性（API Compatibility）的权重需达到35%。
背包再进一步（二维费用背包、分组背包、有依赖的背包（树上背包）、泛化物品的背包）
让我能做回我自己也许当时忙着微笑和哭泣忙着追逐天空中的流星。
C#国产化技术路线（全栈落地指南，适配信创场景）
本文详细介绍了C#语言在信创产业中的国产化适配方案。核心方案基于.NET8框架，通过硬件架构适配、基础软件替换和打包部署优化三个层面进行改造，无需更换开发语言即可适配国产CPU和操作系统。文章系统讲解了开发工具选择、全栈适配层改造、数据库替换等技术要点，并提供了桌面应用和服务端应用的具体开发流程。针对政务、金融、能源等典型场景给出了可直接套用的技术组合，同时总结了10个关键避坑点。该方案可复用C#开发特性，实现低成本迁移，已在多个行业成功落地。
hdoj1011(树上分组背包)
题目链接：https://vjudge.net/problem/HDU-1011 题意：给定一颗树，每个结点有两个属性，即花费V和价值w，并且选择子结点时必须选择父结点，求总花费不超过m的最大价值。 思路： 树上分组背包。和poj1155相似，对于结点u，先递归计算其子结点v的dp值，然后对于每个子结点所代表的子树，最多只有一种选择方案，不能重叠，所以是分组背包。dp[u][j...
【史诗级】详细阐述借助AI实现对Windows蓝屏原因进行精确定位的方法
在解决问题的过程中我决定把这一切都记录下来，并整理出一套通用的方法，方便快速精确定位引起蓝屏的真实原因。今天我的蓝屏代码是0x000000ef，而你或许是遇到另一个蓝屏代码，代码本身代表的含义不是这里的讨论重点，重要的是解决问题的底层逻辑。
C#与发那科机器人通信实战：从SDK配置到机械臂控制
本文详细介绍了如何使用C#与发那科机器人进行通信，从SDK配置到机械臂控制的完整实战流程。内容包括环境准备、通信连接建立、机械臂运动控制、异常处理与状态监控，以及高级功能实战，帮助开发者快速掌握工业机器人编程技术。
P2015 二叉苹果树 树上dp+分组背包
P2015 二叉苹果树 题目大意： 有一颗树，根是 1 ，每条边上有对应的权值，保留 q 条边，问剩下的权值最多可以是多少，剩下的边一定要和根节点联通。 思路： dp[i][j]dp[i][j]dp[i][j] 表示第 iii 个节点保留 jjj 条边的最大权值，那么答案就是 dp[1][q]dp[1][q]dp[1][q]。 发现是树上 dpdpdp 的分组背包，每个节点都是对应的组，每个组内的物品有 qqq 个，每个节点的贡献只能计算一次，那就是裸的分组背包 第一层循环遍历节点等价于遍历组 第二层循环遍
海康视觉算法平台VisionMaster 4.3.0 C# 二次开发01 加载方案并获取结果
第一次使用海康视觉算法平台VisionMaster 4.3.0，项目中要使用这个平台进行视觉处理并获取结果。
分组背包及树上分组背包
分组背包是说有n组物品 每个组别只能选一个 体积限制V 的最大价值w 二维： //f[i][j] 表示 前i组体积为j的最大价值 for(int i=1;i<=N;i++) //组别 for(int k=1;k<=n[i];k++) //每个物品 for(int j=V;j>=0;j--) //体积 f[i...
vue2/3 - 详细对接海康监控实时视频预览和录像回放功能，vue接入使用海康视频监控播放器实时推流等功能，支持hik/rtsp/rtmp/hls/ws取流协议（详细教程与示例代码，一键复制开箱即用
vue2，vue3，海康，vue海康视频监控，海康开放平台，如何接入海康的实时监控，海康威视，Vue实现海康监控视频播放，vue3对接海康视频监控播放、回放的方法流程，实现海康H5视频插件播放视频的实例，web网页接入海康，海康威视的视频vue的录像回放和实时预览，前端vue3项目接入海康威视h5player.js播放器，vue2接入海康威视视频监控平台，使用海康监控H5视频播放，对接海康视频监控，海康视频web插件，web前端在vue中通过海康插件嵌入视频,实现实时预览，vue3海康监控播放器组件，vue
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'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('DeepLearnToolbox'));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('state',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'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',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 = 'sigm';%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, 'Too big error');```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('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';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)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';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, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% 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'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 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, 'Too big error');```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('state',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, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',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, 'Too big error');%% ex3 neural net with dropoutrand('state',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, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % 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, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % 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, 'Too big error');%% 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('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % 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, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
树上背包
思路：dp[i][j]表示以i为根节点选出体积不超过j的最大价值。因为根节点必选所以我们吧dp[i][v[i]~m]全部置为w[i]，对于每个节点如何选他的子节点就是在他所有的子节点中选一个，那么我们就可以吧他看成一个分组背包。体积的决策空间在j=m——v[i]之间因为小于v[i]根节点就不能选了，他的子节点就是在0——j-v[i]。 #include <cstdio> #include <cstring> #include <algorithm> #include...
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
有依赖的分组背包问题（树上背包）
这是一道 背包DP 的 变种题目,根据题设的 拓扑结构 可以观察出每个 物品 的关系构成了一棵树,而以往的背包DP 每个物品关系是任意,（但我们一般视为 线性的）所以，这题沿用 背包DP 的话，要从原来的 线性DP 改成 树形DP 即可,然后思考 树形DP 的 状态转移。原题链接[https://www.acwing.com/problem/content/description/10/]原题链接：[https://www.acwing.com/problem/content/9/]
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
poj1155 TELE （树上分组背包）
题目链接：https://vjudge.net/problem/POJ-1155 题意：给定一颗以1为根的边权树，有n个结点，其中m个叶子结点，每个叶子结点有一个价值。要求从m个叶子结点中选最多的结点，费用是从根节点到叶子结点的边权和，价值是所有选中的叶子结点价值和。 思路： 树上分组背包。用dp[u][j]表示对于结点u的子树，选j个叶子结点的最大利润，即价值-花费。因为对u...
分组背包【选课】
本题是一个树上分组背包的问题 状态表示:f[i][j]:以点i为root结点的树上，选择了j门课程的最高学分状态表示:f[i][j]:以点i为root结点的树上，选择了j门课程的最高学分状态表示:f[i][j]:以点i为root结点的树上，选择了j门课程的最高学分 状态转移方程:f[i][j]=val[i]+max(∑f[u][k],)其中u是子结点,∑k=j−1状态转移方程:f[i][j]=val[i]+max(\sum f[u][k],)其中u是子结点,\sum k=j-1状态转移方程:f[i][j]=
Starship Troopers 树上分组背包
传送门 Problem Description You, the leader of Starship Troopers, are sent to destroy a base of the bugs. The base is built underground. It is actually a huge cavern, which consists of many rooms connected with tunnels. Each room is occupied by some bugs, and
P1273 有线电视网-树上DP之树上分组背包
原题链接有线电视网 - 洛谷 本题难度不亚于提高组，被评为普及应该是误评了。要对树型递归结构，链式前向星，和动态规划以及背包压维有着比较深的了解。如果以上知识不是太了解，可以先各刷五六道入门 树上分组背包常用格式就是dp[i][j]代表了i节点为根节点，容量为j时的最大价值。虽然是二维，但它是被三维压缩过来的。 我们设dp[i][u][j]表示以u为根的子树，仅用前i个儿子，满足j体积时取得最大价值， 那么dp[i][u][j]=max(dp[i-1][u][j-k]+dp[full_son_s
树上背包入门 HDU 1561 O(n*V^2)的做法
有依赖背包是有多个主件, 每个主件有多个附件, 但是附件不会再有自己的附件. 而树上背包就是构成了连续依赖的背包, 他们的关系是一棵树(保证不会循环依赖, 每个物品只会依赖最多1个物品)(取了根节点才能取第二层的节点, 取了x节点才能取x的儿子节点, 取了从根节点的一条链才能取叶子节点). 对于这样的问题, 我们的核心思想是: 树上背包=分组背包+依赖背包. 我们按照从叶子到根的顺序处理, 保证处...
背包dp总结（01，完全，多重，多维，混合，分组，树上背包）
辰辰是个天资聪颖的孩子，他的梦想是成为世界上最伟大的医师。为此，他想拜附近最有威望的医师为师。医师为了判断他的资质，给他出了一个难题。医师把他带到一个到处都是草药的山洞里对他说：“孩子，这个山洞里有一些不同的草药，采每一株都需要一些时间，每一株也有它自身的价值。我会给你一段时间，在这段时间里，你可以采到一些草药。如果你是一个聪明的孩子，你应该可以让采到的草药的总价值最大。如果你是辰辰，你能完成这个任务吗？
洛谷P1169 树上分组背包
题解 第一次写树上分组背包的题目。 什么是分组背包？ 分组背包就是将物品进行分组每组内部只能选择一类物品。 for(int i = 1;i <= N;++i){ for(int j = 0;j <= V;++j){ for(int k = 0;k <= item[I];++k){ dp[i][j] = max(dp[...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4万+
扫一扫
