uva 10896 DP

dp【i】【j】表示先手所能获得的最大值

dp【i】【j】 = sum【i】【j】 - min{ dp【i】【k】 , dp【q】【j】,0 }   k从i到j-1   q从i+1到j

AC代码如下:

#include <iostream>
#include <cstring>
#include <cstdio>
#include <algorithm>
using namespace std;

int dp[110][110];
int f[110][110], g[110][110];
int N, num[110], sum[110];

int main(){
    while( cin >> N && N ){
        sum[0] = 0;
        for( int i = 1; i <= N; i++ ){
            cin >> num[i];
            sum[i] = num[i] + sum[i-1];
        }
        for( int i = 1; i <= N; i++ ){
            dp[i][i] = f[i][i] = g[i][i] = num[i];
        }
        for( int L = 1; L < N; L++ ){
            for( int i = 1; i + L <= N; i++ ){
                int j = i + L;
                int temp = 0;
                temp = min( temp, f[i+1][j] );
                temp = min( temp, g[i][j-1] );
                dp[i][j] = sum[j] - sum[i-1] - temp;
                f[i][j] = min( dp[i][j], f[i+1][j] );
                g[i][j] = min( dp[i][j], g[i][j-1] );
            }
        }
        cout << 2 * dp[1][N] - sum[N] << endl;
    }
    return 0;
}


一、数据采集层:多源人脸数据获取 该层负责从不同设备 / 渠道采集人脸原始数据,为后续模型训练与识别提供基础样本,核心功能包括: 1. 多设备适配采集 实时摄像头采集: 调用计算机内置摄像头(或外接 USB 摄像头),通过OpenCV的VideoCapture接口实时捕获视频流,支持手动触发 “拍照”(按指定快捷键如Space)或自动定时采集(如每 2 秒采集 1 张),采集时自动框选人脸区域(通过Haar级联分类器初步定位),确保样本聚焦人脸。 支持采集参数配置:可设置采集分辨率(如 640×480、1280×720)、图像格式(JPG/PNG)、单用户采集数量(如默认采集 20 张,确保样本多样性),采集过程中实时显示 “已采集数量 / 目标数量”,避免样本不足。 本地图像 / 视频导入: 支持批量导入本地人脸图像文件(支持 JPG、PNG、BMP 格式),自动过滤非图像文件;导入视频文件(MP4、AVI 格式)时,可按 “固定帧间隔”(如每 10 帧提取 1 张图像)或 “手动选择帧” 提取人脸样本,适用于无实时摄像头场景。 数据集对接: 支持接入公开人脸数据集(如 LFW、ORL),通过预设脚本自动读取数据集目录结构(按 “用户 ID - 样本图像” 分类),快速构建训练样本库,无需手动采集,降低系统开发与测试成本。 2. 采集过程辅助功能 人脸有效性校验:采集时通过OpenCV的Haar级联分类器(或MTCNN轻量级模型)实时检测图像中是否包含人脸,若未检测到人脸(如遮挡、侧脸角度过大),则弹窗提示 “未识别到人脸,请调整姿态”,避免无效样本存入。 样本标签管理:采集时需为每个样本绑定 “用户标签”(如姓名、ID 号),支持手动输入标签或从 Excel 名单批量导入标签(按 “标签 - 采集数量” 对应),采集完成后自动按 “标签 - 序号” 命名文件(如 “张三
### 问题分析 UVA12099 **The Bookcase** 是一个典型的动态规划问题,涉及将多个书籍放入书架,要求最小化书架的总高度。问题的核心是: - 给定一组书籍,每个书籍具有固定的宽度和高度。 - 书架的宽度有限,书籍必须按照顺序放置,且每层书架的总宽度不能超过限制。 - 每层书架的高度是该层中所有书籍的最大高度。 - 任务是安排书籍的分布,使得书架的总高度最小化。 ### 动态规划思路 该问题可以通过动态规划求解。定义状态 `dp[i]` 表示前 `i` 本书的最小总高度。 为了优化状态转移,可以使用如下策略: - 预处理计算每本书到另一本书之间的最大高度。 - 状态转移方程为: `dp[i] = min(dp[j] + max_height(j+1..i))`,其中 `j < i` 且 `sum_width(j+1..i) <= shelf_width`。 ### C++ 实现 ```cpp #include <iostream> #include <vector> #include <algorithm> #include <climits> using namespace std; int minTotalHeight(const vector<int>& heights, const vector<int>& widths, int shelfWidth) { int n = heights.size(); vector<int> dp(n + 1, 0); // dp[i] 表示前i本书的最小总高度 dp[0] = 0; for (int i = 1; i <= n; ++i) { int max_height = 0; int total_width = 0; dp[i] = INT_MAX; for (int j = i - 1; j >= 0; --j) { total_width += widths[j]; if (total_width > shelfWidth) break; max_height = max(max_height, heights[j]); dp[i] = min(dp[i], dp[j] + max_height); } } return dp[n]; } int main() { // 示例输入 vector<int> heights = {3, 4, 2}; vector<int> widths = {6, 5, 8}; int shelfWidth = 10; int result = minTotalHeight(heights, widths, shelfWidth); cout << "Minimum total shelf height: " << result << endl; return 0; } ``` ### 实现说明 - `heights` 和 `widths` 分别表示每本书的高度和宽度。 - `shelfWidth` 是书架的宽度限制。 - `dp[i]` 记录了前 `i` 本书的最小总高度。 - 内层循环用于尝试不同的分段方式,计算当前层的最大高度,并更新 `dp[i]`。 ### 时间复杂度 - 该算法的时间复杂度为 $O(n^2)$,其中 $n$ 是书籍的数量。 - 对于较小的数据规模(如 $n \leq 1000$),该算法可以高效运行。 ### 优化思路 - 如果书籍数量较大,可以考虑使用单调队列或分治优化动态规划。 - 预处理 `max_height` 和 `total_width` 可以进一步优化性能。
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