采药2

Description

  辰辰是个天资聪颖的孩子,他的梦想是成为世界上最伟大的医师。为此,他想拜附近最有威望的医师为师。医师为了判断他的资质,给他出了一个难题。医师把他带到一个到处都是草药的山洞里对他说:“孩子,这个山洞里有一些不同的草药,采每一株都需要一些时间,每一株也有它自身的价值。我会给你一段时间,在这段时间里,你可以采到一些草药。如果你是一个聪明的孩子,你应该可以让采到的草药的总价值最大。”    如果你是辰辰,你能完成这个任务吗?

Input

  输入文件的第一行包含两个正整数N,M。M表示总共能够用来采药的时间,N代表山洞里的草药的数目。接下来的N行每行包括两个的整数,分别表示采摘某株草药的时间Ti和这株草药的价值Vi。

Output

  输出文件仅包含一个整数表示规定时间内可以采到的草药的最大总价值。

Sample Input

3 9 

10 10 

8 1 

1 2

Sample Output

3

Data Constraint

50%的数据中 N,M ≤ 1000; 100%的数据中 N,M ≤ 100000,TiVi ≤10

 

分析:

一开始我打了个O(n^2)的01背包,只有50分,一直不知道怎么改。中午却想到了一个重点,TiVi ≤10。也就是说如果有Ti=6 Vi=10和Ti=6 Vi=8两件物品时,那一定就选第一个啦。这样我们就可以知道优化方法了。先把相同代价的放在一起,从大到小排个序,当选物品时,一定选未选的最大的一个,因为这一个一定比其他的相同代价的更优,另一个一定不会更新最新的值。再开一个数组存每个时间最优解时,每种代价选的状态即可。(即记录每个状态下,每个代价选到第几个)。

 

程序:

var

 a,b:Array [0..100001,1..10] of longint;

 f:array [0..100020] of longint;

 num:array [1..10] of longint;

 n,i,j,time,x:longint;

 

procedure qsort(l,r,x:longint);

 var i,j,mid,temp:longint;

begin

 if l>=r then exit;

 mid:=a[l+random(r-l+1),x];

 i:=l; j:=r;

 repeat

 while a[i,x]>mid do inc(i);

 while a[j,x]<mid do dec(j);

  if i<=j then

  begin

   temp:=a[i,x]; a[i,x]:=a[j,x]; a[j,x]:=temp;

   inc(i); dec(j);

  end;

 until i>j;

 qsort(l,j,x);

 qsort(i,r,x);

end;

 

begin

 readln(n,time);

 for i:=1 to n do

 begin

  read(x);

  inc(num[x]);

  read(a[num[x],x]);

 end;

 for i:=1 to 10 do

 qsort(1,num[i],i);

 for i:=0 to time do

 begin

  for j:=1 to 10 do

   begin if b[i,j]<num[j] then

    begin

     if f[i+j]<f[i]+a[b[i,j]+1,j] then

      begin

       f[i+j]:=f[i]+a[b[i,j]+1,j];

       b[i+j]:=b[i];

       b[i+j,j]:=b[i,j]+1;

      end;

    end;

   end;

 end;

 write(f[time]);

end.

 


### 采药背包问题算法实现 #### 状态定义 在处理采药背包问题时,状态通常被定义为 `dp[i][j]` 表示前 `i` 种草药,在总重量不超过 `j` 的情况下可以获得的最大价值。这里 `i` 是草药品种索引,`j` 则表示当前考虑的背包容积。 为了简化空间复杂度,可以采用一维数组来代替二维数组进行迭代更新[^1]。 #### 初始化 初始化阶段设置当没有任何草药可选时的状态,即 `dp[j]=0` 对于所有的 `j∈[0,C]` 成立;其中 `C` 代表背包的最大承重能力。 #### 状态转移方程 对于每一个新的草药种类 `i` 和其对应的体积 `c_i` 及价值 `w_i` ,遍历可能放入背包内的剩余容量 `j` (从大到小),并计算是否应该加入该草药: \[ dp[j] = max(dp[j], dp[j-c_i]+w_i)\] 此过程确保每次只针对新增加的一种草药做决策,并且通过逆序访问保证同一轮内不会重复利用已选取过的草药实例[^4]。 #### Python代码实现 下面给出基于上述分析的一个简单Python版本实现: ```python def knapsack(weights, values, capacity): n = len(values) # 创建一个长度为capacity+1的一维列表用于存储子问题的结果 dp = [0]*(capacity + 1) for i in range(n): # 遍历所有物品 for j in range(capacity, weights[i]-1, -1): dp[j] = max(dp[j], dp[j-weights[i]] + values[i]) return dp[-1] if __name__ == "__main__": # 测试样例数据输入 weight_list = [2, 3, 4, 5] value_list = [3, 4, 5, 8] bag_capacity = 5 result = knapsack(weight_list, value_list, bag_capacity) print(f"The maximum total value is {result}") ``` 这段程序实现了经典的01背包问题解决方案,适用于描述中的采药场景,其中每个位置只能放置一次特定类型的草药。
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