POJ3211洗衣服

POJ3211

[题目大意]:
  有n(1~10)种不同颜色的衣服总共m (1~100)件,Dearboy和她的girlfriend两个人要一起洗完全部衣服,
两个人洗衣速度相同,并且已知每件衣服需要的时间<1000)。 两个人可以同时洗衣。为了预防色彩混合,必须一种颜色的衣服洗完之后,两个人才能开工洗下一种颜色的衣服,问两个人洗完所有的衣服需要的最短时间。

[输入输出]:
输入的第一行是n和m,空格分开。第二行是衣服的所有颜色。按下来的m行是m件要洗的衣服,每一行有这件衣服的洗衣时间和颜色。最后输入0 0结束。
输出两个人洗完所有的衣服需要的最短时间
[样例]:
Sample Input

3 4  
red blue yellow  
2 red  
3 blue  
4 blue  
6 red  
0 0

Sample Output

10

思路:01背包,由于各种颜色互相独立,故把每种颜色都化为一个01背包,求出洗完每种颜色衣服的最短时间,它们的总和即为答案。首先按颜色对衣服进行归类,即将相同颜色的衣服放在同一类中
对于某一种颜色的所有衣服所需要的最少时间,相当于将这堆衣服按时间分为两推,使得这两堆衣服所需要的时间尽可能的接近。对于每堆衣服建模:  假设当前这堆衣服一个人洗的时间为sum, 令mid = sum/2;
  问题转化为,(1)有背包容量为mid,现在要从这堆衣服中选取衣服,使得总容量尽可能接近于mid
  继续转化..(2)背包容量为mid,某件衣服的重量为wi,价值也为wi,计算所能达到的最大价值 dp[mid],
  那么问题(2)中的dp[mid]相当于问题(1)中最接近于mid的那个容量,故原问题中这堆衣服所需要的实际时间为sum -dp[mid].

#include<iostream>
using namespace std;
#include<vector>
using std::vector;
const int M=10;
const int N=100;
char color[M][N];
vector<int>cost[M];
int dp[100002];
int max(int a,int b)
{
	return a>b?a:b;
}
int main()
{
	int n,m;
	while(scanf("%d%d",&m,&n)!=EOF)//颜色和衣服的数目
	{
		if(m==0 && n==0)
			break;
		int i,j;
		for(i=0;i<m;i++)
		{
			cin>>color[i];//输入所有的颜色
			cost[i].clear();
		}
		while(n--)
		{
			char col[N];
			int time;
			cin>>time>>col;//输入时间和颜色 颜色之间没有空格
			for(i=0;i<m;i++)
				if(strcmp(color[i],col)==0)
					break;
				if(i<m)
					cost[i].push_back(time);//cost存储时间 一种颜色的时间存在同一个cost[i]里
		}
		int ans=0;
		for(i=0;i<m;i++)
		{
			memset(dp,0,sizeof(dp));
			int sz=cost[i].size();//cost[i]的长度(元素的个数)
			int k,mid,sum=0;
			for(j=0;j<sz;j++)
				sum+=cost[i][j];//相同颜色的时间相加赋给sum
			mid=sum/2;
			for(j=0;j<sz;j++)
			{
				for(k=mid;k>=cost[i][j];k--)
					dp[k]=max(dp[k],dp[k-cost[i][j]]+cost[i][j]);
			}
			ans=ans+sum-dp[mid];
		}
		cout<<ans<<endl;
	}
	return 0;
}
内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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