luogu2112 鸿雁传书

题目传送门

题意

给你 n n n个单词,在保证顺序不变的情况下让你把他们分成 k k k行,使得每行字母数的方差最小,求最小方差。

解题方法

我们发现这个不能改变顺序的,而且我们也发现平均值是个定值,不会随我们的安排而改变,所以我们就可以安全的递推了,我们定义 d p [ i ] [ j ] dp[i][j] dp[i][j]表示前 i i i个单词共安排 j j j行的最小方差,我们发现就这个递推式就变成了: d p [ i ] [ j ] = m i n ( d p [ k ] [ j − 1 ] + c a l c ( k , i ) ) dp[i][j]=min(dp[k][j-1]+calc(k,i)) dp[i][j]=min(dp[k][j1]+calc(k,i)),然后这个 c a l c ( ) calc() calc()就是计算加入这些数以后的方差贡献。

代码

#include<iostream>
#include<algorithm>
#include<cstring>
#include<cstdio>
using namespace std;
char c[25];
int a[1010];
int he[1010];
double dp[1010][110];
int main()
{
	int n,k;
	scanf("%d%d",&n,&k);
	for(int i=1;i<=n;i++)
	{
		scanf("%s",c);
		int l=strlen(c);
		a[i]=l;
		he[i]=he[i-1]+a[i];
	}
	double per=(double)he[n]/k;
	for(int i=1;i<=n;i++)
	  for(int j=1;j<=k;j++)
	    dp[i][j]=1e9+7;
	for(int i=1;i<=n;i++)
	  dp[i][1]=(double)(he[i]-per)*(he[i]-per)/k;
	for(int i=1;i<=n;i++)
	  for(int j=2;j<=min(i,k);j++)
		{
			for(int t=1;t<i;t++)
			  dp[i][j]=min(dp[i][j],dp[t][j-1]+(double)(he[i]-he[t]-per)*(he[i]-he[t]-per)/k);	
		}
	printf("%0.1lf",dp[n][k]);
	return 0;
}
数据集介绍:野生动物与家畜多目标检测数据集 数据集名称:野生动物与家畜多目标检测数据集 数据规模: - 训练集:1,540张图片 - 验证集:377张图片 - 测试集:316张图片 分类类别: Brown-bear(棕熊)、Chicken(鸡)、Fox(狐狸)、Hedgehog(刺猬)、Horse(马)、Mouse(老鼠)、Sheep(绵羊)、Snake(蛇)、Turtle(龟)、Rabbit(兔)及通用object(物体)共11个类别 标注格式: YOLO格式标注,包含归一化坐标与类别索引,支持目标检测模型训练 数据特性: 涵盖航拍与地面视角,包含动物个体及群体场景,适用于复杂环境下的多目标识别 农业智能化管理: 通过检测家畜(鸡/马/绵羊等)数量及活动状态,辅助畜牧场自动化管理 生态监测系统: 支持野生动物(棕熊/狐狸/刺猬等)识别与追踪,用于自然保护区生物多样性研究 智能安防应用: 检测农场周边危险动物(蛇/狐狸),构建入侵预警系统 动物行为研究: 提供多物种共存场景数据,支持动物群体交互行为分析 高实用性标注体系: - 精细标注包含动物完整轮廓的边界框 - 特别区分野生动物与家畜类别,支持跨场景迁移学习 多维度覆盖: - 包含昼间/复杂背景/遮挡场景 - 涵盖陆地常见中小型动物与禽类 - 提供通用object类别适配扩展需求 工程适配性强: - 原生YOLO格式适配主流检测框架(YOLOv5/v7/v8等) - 验证集与测试集比例科学,支持可靠模型评估 生态价值突出: - 同步覆盖濒危物种(龟类)与常见物种 - 支持生物多样性保护与农业生产的双重应用场景
内容概要:本文档详细介绍了Python实现TSO-ELM(金枪鱼群优化算法优化极限学习机)多输入单输出回归预测的项目实例。极限学习机(ELM)作为一种快速训练的前馈神经网络算法,虽然具有训练速度快、计算简单等优点,但也存在局部最优解和参数敏感性的问题。金枪鱼群优化算法(TSO)通过模拟金枪鱼群体觅食行为,具有较强的全局搜索能力。将TSO与ELM结合形成的TSO-ELM模型,可以优化ELM的输入层和隐藏层之间的权重,提高回归预测的准确性。项目包括数据预处理、TSO优化、ELM回归模型训练和预测输出四个主要步骤,并提供了详细的代码示例。; 适合人群:对机器学习、优化算法有一定了解的数据科学家、算法工程师和研究人员,特别是那些希望深入理解智能优化算法在回归预测任务中的应用的人群。; 使用场景及目标:① 提升ELM在多输入单输出回归预测中的性能,特别是在处理非线性问题时的预测精度;② 解决ELM中的局部最优解和参数敏感性问题;③ 优化ELM的隐层权重和偏置值,提高模型的表达能力和预测能力;④ 在金融、气象、能源、医疗、交通等领域提供更准确的预测模型。; 阅读建议:本文档不仅提供了理论解释,还包含详细的代码实现,建议读者在阅读过程中结合代码进行实践,理解TSO-ELM模型的工作原理,并尝试调整参数以优化预测效果。同时,读者应关注TSO算法在高维复杂问题中的应用挑战,思考如何改进优化策略。
Python脚本大全资源描述 资源概述 Python脚本大全是一个集合了多种实用Python脚本的资源包,旨在为开发者和爱好者提供一系列可以直接使用或作为学习参考的代码示例。这些脚本涵盖了从基础到高级的多种应用场景,包括数据处理、自动化任务、网络爬虫、数据分析、机器学习等。通过这些脚本,用户可以快速实现常见的编程任务,提高开发效率,同时也可以作为学习Python语言和相关技术的实践材料。 资源内容 1. **基础脚本**: - 文件操作:读取、写入、复制、移动文件和文件夹。 - 数据处理:处理CSV、JSON、Excel等常见数据格式。 - 系统工具:获取系统信息、执行系统命令、管理进程等。 2. **网络爬虫**: - 简单爬虫:抓取网页内容、提取特定数据。 - 数据抓取:从API获取数据、解析HTML和XML。 - 高级爬虫:使用Selenium、Scrapy等框架实现复杂爬虫任务。 3. **数据分析与可视化**: - 数据分析:使用Pandas、NumPy等库进行数据清洗、分析。 - 数据可视化:使用Matplotlib、Seaborn等库绘制图表。 - 数据报告:生成HTML、PDF等格式的报告。 4. **机器学习**: - 机器学习基础:线性回归、逻辑回归、决策树等。 - 深度学习:使用TensorFlow、Keras等框架实现神经网络。 - 实用案例:图像识别、自然语言处理、时间序列分析等。 5. **自动化任务**: - 定时任务:使用schedule、APScheduler等库实现定时任务。 - 批处理:批量处理文件、执行批量任务。 - GUI自动化:使用PyAutoGUI等库实现图形界面自动化操作。 6. **实用工具** 日志记录:使用logging模块记录日志
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