poj 2486 Apple Tree(树形dp)

本文介绍了一种解决树形背包问题的方法,通过定义状态(rt,i,0)和(rt,i,1)来表示是否回到根节点的最大值,并给出了具体的实现代码。
/*
    说一下做题感受,首先一看就可以确定是一道树形背包问题。
    刚开始想的是两个状态来表示(rt,i),但这样的话不好表示从一个子节点回来再去访问另外子结点的情况,
    所以就想到了三个状态(rt,i,0)和(rt,i,1),分别表示是否回到rt结点的最大值,这样就可以写出状态方程:
    (rt,i,0)=max{(rt,i,0),(s,j,0)+(rt,i-2-j,0)};  i>=2;i-2>=j;
    (rt,i,1)=max{(rt,i,1),(s,j,0)+(rt,i-2-j,1),(s,j,1)+(rt,i-1-j,0)};
*/
#include<cstdio>
#include<cstring>
#include<cstdlib>
#include<iostream>
#include<vector>
using namespace std;
#define maxn 105
int dp[maxn][2*maxn][2],vis[maxn],k,val[maxn];
vector<int>sons[maxn];
void dfs(int rt){
    vis[rt]=1;
    for(int i=0;i<=k;i++) dp[rt][i][0]=dp[rt][i][1]=val[rt];
    for(int u=0;u<sons[rt].size();u++){
        int s=sons[rt][u];
        if(vis[s]) continue;
        dfs(s);
        for(int i=k;i>=1;i--)
            for(int j=0;j<i;j++){
                //先更新(rt,i,1)再更新(rt,i,0)
                dp[rt][i][1]=max(dp[rt][i][1],dp[s][j][1]+dp[rt][i-1-j][0]);
                if(i>=2+j) dp[rt][i][1]=max(dp[rt][i][1],dp[s][j][0]+dp[rt][i-2-j][1]); //刚开始少了这步,会少了很多情况,因为需要兼顾前面的情况

                if(i>=2+j) dp[rt][i][0]=max(dp[rt][i][0],dp[s][j][0]+dp[rt][i-2-j][0]);
            }
    }
}
void init(){
    for(int i=0;i<maxn;i++) sons[i].clear();
    memset(vis,0,sizeof(vis));
    memset(dp,0,sizeof(dp));
}
void print(){
    int ans=0;
    for(int i=0;i<=k;i++) ans=max(ans,dp[1][i][1]),ans=max(ans,dp[1][i][0]);
    cout<<ans<<endl;
}
int main(){
    int i,j,n,a,b;
    while(cin>>n>>k){
        init();
        for(i=1;i<=n;i++) cin>>val[i];
        for(i=1;i<n;i++){
            cin>>a>>b;
            sons[a].push_back(b);
            sons[b].push_back(a);
        }
        dfs(1);
        print();
    }
    return 0;
}

个人防护装备实例分割数据集 一、基础信息 • 数据集名称:个人防护装备实例分割数据集 • 图片数量: 训练集:4524张图片 • 训练集:4524张图片 • 分类类别: 手套(Gloves) 头盔(Helmet) 未戴手套(No-Gloves) 未戴头盔(No-Helmet) 未穿鞋(No-Shoes) 未穿背心(No-Vest) 鞋子(Shoes) 背心(Vest) • 手套(Gloves) • 头盔(Helmet) • 未戴手套(No-Gloves) • 未戴头盔(No-Helmet) • 未穿鞋(No-Shoes) • 未穿背心(No-Vest) • 鞋子(Shoes) • 背心(Vest) • 标注格式:YOLO格式,适用于实例分割任务,包含边界框或多边形坐标。 • 数据格式:图片数据,来源于监控或相关场景。 二、适用场景 • 工业安全监控系统开发:用于自动检测工人是否佩戴必要的个人防护装备,提升工作场所安全性,减少工伤风险。 • 智能安防应用:集成到监控系统中,实时分析视频流,识别PPE穿戴状态,辅助安全预警。 • 合规性自动化检查:在建筑、制造等行业,自动检查个人防护装备穿戴合规性,支持企业安全审计。 • 计算机视觉研究:支持实例分割、目标检测等算法在安全领域的创新研究,促进AI模型优化。 三、数据集优势 • 类别全面:覆盖8种常见个人防护装备及其缺失状态,提供丰富的检测场景,确保模型能处理各种实际情况。 • 标注精准:采用YOLO格式,每个实例都经过精细标注,边界框或多边形坐标准确,提升模型训练质量。 • 真实场景数据:数据来源于实际环境,增强模型在真实世界中的泛化能力和实用性。 • 兼容性强:YOLO格式便于与主流深度学习框架(如YOLO、PyTorch等)集成,支持快速部署和实验。
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