POJ 1390 Blocks

本文介绍了一款名为'Blocks'的游戏,并提供了一种通过动态规划求解游戏最高得分的算法。该算法首先将相同颜色的方块进行合并,然后利用三维动态规划数组dp[i][j][len]来记录区间[i,j]内,右侧还存在长度为len的相同颜色方块时的最大积分。

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

Blocks
Time Limit: 5000MS Memory Limit: 65536K
Total Submissions: 5966 Accepted: 2456

Description

Some of you may have played a game called 'Blocks'. There are n blocks in a row, each box has a color. Here is an example: Gold, Silver, Silver, Silver, Silver, Bronze, Bronze, Bronze, Gold. 
The corresponding picture will be as shown below: 
 
Figure 1

If some adjacent boxes are all of the same color, and both the box to its left(if it exists) and its right(if it exists) are of some other color, we call it a 'box segment'. There are 4 box segments. That is: gold, silver, bronze, gold. There are 1, 4, 3, 1 box(es) in the segments respectively. 

Every time, you can click a box, then the whole segment containing that box DISAPPEARS. If that segment is composed of k boxes, you will get k*k points. for example, if you click on a silver box, the silver segment disappears, you got 4*4=16 points. 

Now let's look at the picture below: 
 
Figure 2


The first one is OPTIMAL. 

Find the highest score you can get, given an initial state of this game. 

Input

The first line contains the number of tests t(1<=t<=15). Each case contains two lines. The first line contains an integer n(1<=n<=200), the number of boxes. The second line contains n integers, representing the colors of each box. The integers are in the range 1~n.

Output

For each test case, print the case number and the highest possible score.

Sample Input

2
9
1 2 2 2 2 3 3 3 1
1
1

Sample Output

Case 1: 29
Case 2: 1

首先将颜色相同的色块合并成大块,用num[i]来表示第i个大块中有多少相同颜色的小块,用c[i]来表示大块的颜色。第一反应想的一般可能是dp[i][j]来表示区间[i,j]的最大积分,那么对于最右边的连续色块有两种操作。第一种就是直接消掉,那么最高分就是dp[i][j-1]+(num[j]*num[j]),第二种就是在j大块之前可能有和j颜色相同的大块k,那么与其合并再消除,最高分为dp[i][k-1]+dp[k+1][j-1]+(num[k]+num[j])*(num[k]+num[j])。

可是这样考虑不全面,因为j与k合并之后不一定是最佳方案,可能在k前还有相同颜色的色块,再和之前的合并才能得到最高分。所以还需要再开一维来表示最右边色块的状态,也就是dp[i][j][len],表示在j的右边还有长度为len颜色和j一样的色块存在。那么状态转移方程就是dp[i][j][len]=max{dp[i][j-1][0]+(num[j]+len)*(num[j]+len),dp[i][k][len+num[j]]+dp[k+1][j-1][0],(i<=k<=j-2)&&c[k]==c[j]}

#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;
const int N=210;
int dp[N][N][N];
int color[N],num[N],c[N];
int f(int i,int j,int len)
{
    if(i==j)
        return dp[i][j][len]=(num[j]+len)*(num[j]+len);
    if(dp[i][j][len])
        return dp[i][j][len];
    int temp=f(i,j-1,0)+(len+num[j])*(len+num[j]);
    for(int k=i;k<j-1;k++)
        if(c[k]==c[j])
        temp=max(temp,f(i,k,num[j]+len)+f(k+1,j-1,0));
    return dp[i][j][len]=temp;
}
int main()
{
    int t,n,kase=0;
    scanf("%d",&t);
    while(t--)
    {
        memset(dp,0,sizeof(dp));
        scanf("%d",&n);
        for(int i=1;i<=n;i++)
            scanf("%d",&color[i]);
        int m=0;
        for(int i=1;i<=n;i++)
        {
            if(color[i]==color[i-1])
                num[m]++;
            else
            {
                m++;
                c[m]=color[i];
                num[m]=1;
            }
        }
        printf("Case %d: %d\n",++kase,f(1,m,0));
    }
    return 0;
}

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