poj 1882 Stamps 二维费用背包

本文探讨了邮票问题的两种算法实现方法,一种是经典的动态规划方法,另一种是将其视为完全背包问题来解决,后者在时间效率上优于前者。通过具体的代码示例展示了这两种方法的具体实现过程。

//f[i][l][k]表示第i组数,话费l或l个以下的邮票可达到k价值 //f[i][l][k] = f[i][l][k] | f[i][l - 1][k - a[i][j]] || f[i][l - 1][k]; #include <iostream> #include <cmath> #include <cstring> #include <algorithm> using namespace std; bool f[10][11][1001]; int n; int d[10]; int a[10][10]; int _max[10]; int _maxIndex; int main() { //freopen("1.txt", "r", stdin); int s; while(cin >> s && s != 0) { cin >> n; for(int i = 0; i < n; i++) { cin >> d[i]; for(int j = 0; j < d[i]; j++) cin >> a[i][j]; } memset(f, false, sizeof(f)); for(int i = 0; i < n; i++) for(int j = 0; j <= s; j++) f[i][j][0] = true; for(int i = 0; i < n; i++) { int maxV = a[i][d[i] - 1] * s; for(int j = 0; j < d[i]; j++) { for(int l = 1; l <= s; l++) { //万恶的循环,题目的5迷惑。。。 for(int k = maxV; k >= a[i][j]; k--) { //f[i][l][k] = f[i][l][k] | f[i][l - 1][k - a[i][j]]; f[i][l][k] = f[i][l][k] | f[i][l - 1][k - a[i][j]] || f[i][l - 1][k]; } } } int j = 1; while(f[i][s][j]) j++; _max[i] = j - 1; if(i == 0) _maxIndex = 0; else if(_max[i] > _max[_maxIndex]) _maxIndex = i; else if(_max[i] == _max[_maxIndex]) { if(d[i] < d[_maxIndex]) _maxIndex = i; else if(d[i] == d[_maxIndex] && a[i][d[i] - 1] < a[_maxIndex][d[_maxIndex] - 1]) _maxIndex = i; } } cout << "max coverage = " << _max[_maxIndex] << " :"; for(int i = 0; i < d[_maxIndex]; i++) cout << " " << a[_maxIndex][i]; cout << endl; } return 0; }

后来上网看到用完全背包的方法,自己尝试了一下,时间少了一半。。

//上网看的更优的算法:当作完全背包,最后看是否超过上限 //f[j]表示构成价值j的邮票所需最小的邮票数 #include <iostream> #include <cmath> #include <cstring> using namespace std; const int INF = 99999999; int f[1001]; int n; int s; int d[10]; int a[10][10]; int _max; int index; int main() { //freopen("1.txt", "r", stdin); while(cin >> s && s != 0) { cin >> n; _max = 0; index = 0; for(int i = 0; i < n; i++) { cin >> d[i]; for(int j = 0; j < d[i]; j++) cin >> a[i][j]; int _maxV = a[i][d[i] - 1] * s; for(int j = 0; j <= _maxV; j++) f[j] = INF; f[0] = 0; for(int j = 0; j < d[i]; j++) { for(int k = a[i][j]; k <= _maxV; k++) { f[k] = min(f[k], f[k - a[i][j]] + 1); } } int tmp = 0; for(; tmp <= _maxV; tmp++) if(f[tmp] > s) break; tmp--; if(tmp > _max) { _max = tmp; index = i; }else if(tmp == _max) { if(d[i] < d[index]) { _max = tmp; index = i; }else if(d[i] == d[index] && a[i][d[i] - 1] < a[index][d[index] - 1]) { _max = tmp; index = i; } } } cout << "max coverage = " << _max << " :"; for(int i = 0; i < d[index]; i++) cout << " " << a[index][i]; cout << endl; } return 0; }

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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