Software Company LightOJ - 1180 dp

本文探讨了一种使用二分查找解决类似背包问题的方法,并通过一个具体的编程实现案例进行了说明。该方法利用了问题本身的单调性特点,巧妙地避免了传统背包问题中可能出现的大量重复计算,提供了一种高效求解的思路。


转自:http://blog.youkuaiyun.com/l123012013048/article/details/49538731


感悟:

感觉还是挺难想的,,

还以是背包。。

但是这个地方用的二分显然是因为满足单调性。。

还有,对于两个相同的东西,,把一个放到数组的状态表示中,另一个作为值的方式好像和之前的那个表达式的很像。。



#include<bits/stdc++.h>
using namespace std;
#define sf scanf
#define pf printf
#define mem(a,b) memset(a,b,sizeof(a));
#define N 105
#define M 105
#define inf 0x3f3f3f3f

int n,m;
int dp[N];

int a[N],b[N];
int cas;
bool judge(int mid){
    mem(dp,-1);
    dp[0]=0;
    for(int i=1;i<=n;++i){
        int all=mid/a[i];
        for(int j=m;j>=0;j--){
            for(int k=0;k<=all&&k<=j;++k)if(dp[j-k]!=-1){
                dp[j]=max(dp[j],dp[j-k]+(mid-k*a[i])/b[i]);
            }
        }
    }
    return dp[m]>=m;
}

void solve(){
    int l=0,r=50000;
    while(l<r){
        int mid=(l+r)>>1;
        if(judge(mid))r=mid;
        else l=mid+1;
    }
    pf("Case %d: %d\n",++cas,l);
}

int main(){
    int T;cas=0;
    sf("%d",&T);
    while(T--){
        sf("%d%d",&n,&m);
        for(int i=1;i<=n;++i){
            sf("%d%d",&a[i],&b[i]);
        }
        solve();
    }

}

传送带损坏与对象检测数据集 一、基础信息 • 数据集名称:传送带损坏与对象检测数据集 • 图片数量: 训练集:645张图片 验证集:185张图片 测试集:92张图片 总计:922张工业监控图片 • 训练集:645张图片 • 验证集:185张图片 • 测试集:92张图片 • 总计:922张工业监控图片 • 分类类别: Hole(孔洞):传送带表面的孔洞损坏。 Human(人类):工作区域中的人类,用于安全监控。 Other Objects(其他对象):非预期对象,可能引起故障。 Puncture(刺穿):传送带被刺穿的损坏。 Roller(滚筒):传送带滚筒部件。 Tear(撕裂):传送带撕裂损坏。 impact damage(冲击损坏):由于冲击导致的损坏。 patch work(修补工作):已修补的区域。 • Hole(孔洞):传送带表面的孔洞损坏。 • Human(人类):工作区域中的人类,用于安全监控。 • Other Objects(其他对象):非预期对象,可能引起故障。 • Puncture(刺穿):传送带被刺穿的损坏。 • Roller(滚筒):传送带滚筒部件。 • Tear(撕裂):传送带撕裂损坏。 • impact damage(冲击损坏):由于冲击导致的损坏。 • patch work(修补工作):已修补的区域。 • 标注格式:YOLO格式,包含边界框和类别标签,适用于目标检测任务。 • 数据格式:图像数据来源于工业监控系统,适用于计算机视觉分析。 二、适用场景 • 工业自动化检测系统开发:用于构建自动检测传送带损坏和异物的AI模型,实现实时监控和预防性维护,减少停机时间。 • 安全监控应用:识别人类和其他对象,提升工业环境的安全性,避免事故和人员伤害。 • 学术研究与创新:支持计算机视觉在制造业、物流和自动化领域的应用研究,促进AI技术与工业实践的融合。 • 教育与培训:可用于培训AI模型或作为工业工程和自动化教育的案例数据,帮助学习者理解实际应用场景。 三、数据集优势 • 多样化的类别覆盖:包含8个关键类别,涵盖多种损坏类型和对象,确保模型能够处理各种实际工业场景,提升泛化能力。 • 精准的标注质量:采用YOLO格式,边界框标注准确,由专业标注人员完成,保证数据可靠性和模型训练效果。 • 强大的任务适配性:兼容主流深度学习框架(如YOLO、TensorFlow、PyTorch),可直接用于目标检测任务,并支持扩展至其他视觉任务需求。 • 突出的工业价值:专注于工业传送带系统的实际需求,帮助提升生产效率、降低维护成本,并增强工作场所安全,具有较高的实际应用价值。
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