Rain and Umbrellas CodeForces - 988F(DP)

题目(无聊可以往下看大意(~ ̄▽ ̄)~)

 

 

Examples
Input
10 2 4
3 7
8 10
0 10
3 4
8 1
1 2
Output
14
Input
10 1 1
0 9
0 5
Output
45
Input
10 1 1
0 9
1 5
Output
-1

大意

一段路【0,a】,这段路有部分区间下雨【此时必须携带一把伞】,路旁有一些点上有伞,可以捡起或扔掉【雨中也可以换伞】。

疲劳度是他在移动时拿伞的重量总和*移动路长。

求最小总疲劳值。

思路

  1. 不需要伞,疲劳值不变,需要伞,从前面找一把
  2. dp[i]=min(dp[i],dp[j]+(i-j)*umb[j]) //找j点拿伞到i点的疲劳值

代码

#include<cstdio>
#include<algorithm>
using namespace std;
#define MAXN 2002
int a,n,m;
int l,r;
int x,p;
bool ned[MAXN];//是否需要伞
int umb[MAXN];//umb[i]是i点的所有伞疲劳值
int dp[MAXN];//最少需要疲劳值
int main()
{
	fill(umb,umb+MAXN,1e9);
	fill(dp+1,dp+MAXN,1e9);
	scanf("%d%d%d",&a,&n,&m);
	for(int i=1;i<=n;i++)
	{
		scanf("%d%d",&l,&r);
		fill(ned+l+1,ned+r+1,1);
	}
	for(int i=1;i<=m;i++)
	{
		scanf("%d%d",&x,&p);
		umb[x]=min(umb[x],p);
	}
	for(int i=1;i<=a;i++)
		if(ned[i])
		{//从前面找一把伞
			for(int j=i-1;j>=0;j--)
				if(umb[j]!=1e9)
					dp[i]=min(dp[i],dp[j]+(i-j)*umb[j]);
		}
		else	dp[i]=dp[i-1];
	if(dp[a]==1e9)dp[a]=-1;
	printf("%d",dp[a]);
}

 

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