URAL 1143 Electric Path (黑书例题,DP)

本文介绍了一种使用动态规划解决凸多边形中最小路径问题的方法,通过定义状态转移方程,实现从任意点出发遍历一定数量点的最短路径计算,并利用记忆化搜索提高效率。

Problem Links: http://acm.timus.ru/problem.aspx?space=1&num=1143

 

由于所有点构成一个凸多边形,所以要使总线路最短,则线路必不相交。所以第 i 个点,必然只能走到 i+1 或者 i-1,当然对于点1的话,则走到2或者n(环状)。

定义状态dp[s][l][0]表示从s出发,遍历 l 个点的最短线路,dp[s][l][1]表示从s+l-1(相当于s-1)出发,遍历 l 个点的最短线路。比如从1出发,若到达2,则得到子问题dp[1+1][l-1][0],既子问题为从2出发,遍历 l-1 个点的最短线路,若到达 l,则有dp[1+1][l-1][1],表示从 l(2+l-1-1)出发,遍历 l-1 个点的最短线路。所以有:

dp[s][l][0] = min(dis[s][s+1]+dp[s+1][l-1][0],dis[s][s+l-1]+dp[s+1][l-1][1]); 

dp[s][l][1] = min(dis[s+l-1][s]+dp[s][l-1][0],dis[s+l-1][s+l-2]+dp[s][l-1][1]);

其中dis[s][s+1]为s到s+1的距离。注意s+l-1会大于n,注意取模即可。然后就是记忆化搜索了。

#include <iostream>
#include <cstdio>
#include <cstring>
#include <cmath>
#include <algorithm>
#define SIZE 256

using namespace std;

int n;
double x[SIZE],y[SIZE];
double dp[SIZE][SIZE][2];
bool vis[SIZE][SIZE][2];
double dis[SIZE][SIZE];
const double inf = 10000000.0;

double dist(double sx,double sy,double ex,double ey)
{
    return sqrt((sx-ex)*(sx-ex)+(sy-ey)*(sy-ey));
}

double DP(int s,int l,int w)
{
    if(l == 1)
    {
        dp[s][l][w] = 0;
        vis[s][l][w] = true;
        return 0;
    }
    if(vis[s][l][w]) return dp[s][l][w];
    if(w == 0)
        dp[s][l][w] = min(dis[s][(s+1)%n]+DP((s+1)%n,l-1,0),dis[s][(s+l-1)%n]+DP((s+1)%n,l-1,1));
    else
        dp[s][l][w] = min(dis[(s+l-1)%n][s]+DP(s,l-1,0),dis[(s+l-1)%n][(s+l-2)%n]+DP(s,l-1,1));
    vis[s][l][w] = true;
    return dp[s][l][w];
}

int main()
{
    while(~scanf("%d",&n))
    {
        for(int i=0; i<n; i++)
            scanf("%lf%lf",&x[i],&y[i]);
        for(int i=0; i<n; i++)
        {
            for(int j=0; j<n; j++)
            {
                if(i == j) dis[i][j] = 0;
                else dis[i][j] = dist(x[i],y[i],x[j],y[j]);
            }
        }
        double ans = inf;
        for(int j=0; j<n; j++)
            for(int k=0; k<n; k++)
                dp[j][k][0] = dp[j][k][1] = inf;
        for(int i=0; i<n; i++)
            dp[i][1][0] = dp[i][1][1] = 0;
        memset(vis,0,sizeof(vis));
        for(int i=0; i<n; i++)
            ans = min(ans,DP(i,n,0));
        printf("%.3lf\n",ans);
    }
    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或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。; 适合人群: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人员或研究人员,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、首发内容价值提升、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。; 适合人群:企业市场/公关负责人、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的专业人士。; 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
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