[BZOJ1555] KD之死(贪心+堆)

题意

  • 给你 n n n个盒子,每个盒子有重量 w w w和可以承受的最大重量 t t t两个属性,有些盒子是必选的,你现在要在把所有的必选的盒子选定的基础上,使选择的盒子最多,最开始你有一辆能承重 v v v的车,如果不能选完必选的盒子就输出 F o o l i s h   S D ! Foolish \ SD! Foolish SD!

首先对于两个盒子 a a a b b b,如果 a a a放在 b b b上方,那么承重为 b t − a w b_t-a_w btaw;如果 b b b放在 a a a上方,那么承重为 a t − b w a_t-b_w atbw。如果 a a a放在 b b b上方更优,那么 b t − a w &gt; a t − b w b_t-a_w&gt;a_t-b_w btaw>atbw,即 a t + a w &lt; b t + b w a_t+a_w&lt;b_t+b_w at+aw<bt+bw

我们可以贪心地按 a t + a w a_t+a_w at+aw从小到大来从上到下确定盒子的顺序,因为从上到下每个物品上面的重量和是定值,选择没有后效性,用一个堆来维护已经选择的盒子中不是必选的盒子中质量最大值,每次加入一个必选的盒子一直删除堆中的元素,直到剩余重量可以放在这个盒子上,或者堆为空,如果加入一个不是必选的,能放就直接放 ,不能放的话比较它和堆顶元素谁更优即可。

对于车我们把它当作一个必选的盒子插在排完序的序列后面就可以了,复杂度 O ( n log ⁡ n ) O(n\log n) O(nlogn)

#include <bits/stdc++.h>

using namespace std;

const int N = 6e5 + 10;

int n, m, maxv, Sumw, ans;

struct node {
	int w, t, mst; 
	bool operator < (const node &T) const {
		return w + t < T.w + T.t;
	}
}A[N];

priority_queue<int> q; 

int main() {
#ifndef ONLINE_JUDGE
	freopen("1555.in", "r", stdin);
	freopen("1555.out", "w", stdout);
#endif

	scanf("%d%d%d", &n, &m, &maxv);
	for (int i = 1; i <= n; ++ i)
		scanf("%d%d", &A[i].w, &A[i].t);
	for (int i = 1, x; i <= m; ++ i) 
		scanf("%d", &x), A[x].mst = 1; 
	sort(A + 1, A + n + 1);
	A[++ n] = (node){0, maxv, 1};
	
	for (int i = 1; i <= n; ++ i) {
		if (A[i].mst) {
			while (Sumw > A[i].t) {
				if (q.empty()) return puts("Foolish SD!"), 0;
				Sumw -= q.top(), q.pop(), -- ans;
			}
			Sumw += A[i].w;
		}
		else {
			if (Sumw > A[i].t) {
				if (!q.empty() && Sumw - q.top() <= A[i].t && A[i].w < q.top())
					Sumw -= q.top(), q.pop(), q.push(A[i].w), Sumw += A[i].w;
				continue;
			}
			Sumw += A[i].w, q.push(A[i].w);
		}
		++ ans;
	}

	printf("%d\n", ans - 1);

	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