贪吃的Flash

贪吃的Flash
描述
Flash学长去超市买好吃的,他到了超市发现超市的好吃的可真不少而且他每样都想吃,但是,他身上只有m元钱。那么问题来了,因为Flash学长很贪吃所以他想能买尽可能多的吃的,但是他没有足够的钱买下所有吃的,请帮助Flash学长设计一种方案使他可以买尽可能多的吃的。
输入
输入包含多组测试数据,每组测试数据第一行为两个整数n,m,表示共有n种吃的可供选择,Flash一共有m元钱。接下来一行有n个正整数,表示每种吃的的价格ai。(1<=n<=100,1<=m<=1000,1<=ai<=1000)
输出
对应每组输入,输出Flash最多可以买多少种吃的,每组输出占一行,注意每种吃的只购买一次。
样例输入1 复制
3 6
2 3 6
10 20
5 2 4 3 6 9 8 5 1 10
样例输出1
2
6

#include<stdio.h>
int main()
{
    int n,m;
    int a[105];
        int i,j,t;
    while(~scanf("%d%d",&n,&m))
    {
        int sum=0,cnt=0;
        for(i=0; i<n; i++)
            scanf( "%d",&a[i]);
        for(j=0; j<n; j++)
            for(i=0; i<n-1-j; i++)
                if(a[i]>a[i+1])
                {
                    t=a[i];
                    a[i]=a[i+1];
                    a[i+1]=t;
                }
        for(i=0; i<n; i++)
        {
            sum+=a[i];
            if(sum<=m)
                cnt++;
        }
        printf("%d\n",cnt);
    }
    return 0;
}
基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
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