背包问题 V2 (51Nod - 1086)

本文详细介绍了完全背包问题的解决方法,包括基本的完全背包和零一背包算法,并引入了二进制优化技巧来提高效率。通过具体的代码实现,读者可以更好地理解和应用这些算法。

有N种物品,每种物品的数量为C1,C2……Cn。从中任选若干件放在容量为W的背包里,每种物品的体积为W1,W2……Wn(Wi为整数),与之相对应的价值为P1,P2……Pn(Pi为整数)。求背包能够容纳的最大价值。

#include <iostream>
#include <vector>
#include <set>
#include <map>
#include <cstdio>
#include <cstring>
#include <cmath>
#include <string>
#include <queue>
using namespace std;
int V;
int dp[50005]={0};
void complete(int w,int p)
{
    for(int i=w;i<=V;i++)
        dp[i]=max(dp[i],dp[i-w]+p);
}
void zero(int w,int p)
{
    for(int i=V;i>=w;i--)
        dp[i]=max(dp[i],dp[i-w]+p);
}
void cal(int w,int p,int c)
{
    if(w*c>=V)
    {
        complete(w,p);
        return;
    }
    int k=1;
    while(c>=k)
    {
        zero(k*w,k*p);
        c-=k;
        k*=2;
    }
    zero(c*w,c*p);
}
int main()
{
    int n;
    scanf("%d%d",&n,&V);
    for(int i=1;i<=n;i++)
    {
        int w,p,c;
        scanf("%d%d%d",&w,&p,&c);
        cal(w,p,c);
    }
    cout<<dp[V]<<endl;
}

二进制优化
将一个数替代为几个二的幂次方的和
11 : 1 2 4
22 : 22-1=21-2=19-4=15-8=7-16<0
所以22的二进制优化为 :1 2 4 7 8

#include <iostream>
#include <vector>
#include <map>
#include <stack>
#include <cstdio>
#include <cstring>
#include <cmath>
#include <string>
#include <algorithm>
#include <queue>
using namespace std;
typedef long long ll;
int dp[50007]={0};
int m;
void com(int w,int p)
{
    for(int i=w;i<=m;i++)
        dp[i]=max(dp[i-w]+p,dp[i]);
}
void zero(int w,int p)
{
    for(int i=m;i>=w;i--)
        dp[i]=max(dp[i],dp[i-w]+p);
}
void cal(int w,int p,int c)
{
    if(w*c>=m)
    {
        com(w,p);
        return;
    }
    // 二进制优化
    int x=c;
    int a=1;
    while(x>=a)
    {
        x-=a;
        zero(a*w,a*p);
        a*=2;
    }
    zero(x*w,x*p);
}
int main()
{
    int n,w,p,c;
    cin>>n>>m;
    for(int i=0;i<n;i++)
    {
        cin>>w>>p>>c;
        cal(w,p,c);
    }
    cout<<dp[m]<<endl;
}
内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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