2019 Multi-University Training Contest 7-Final Exam

本文介绍了一种算法竞赛中合理分配复习时间的策略,通过数学模型解析如何在有限的时间内,针对不同难度的题目,分配复习时间以最大化得分。特别讨论了在最坏情况下,如何确保至少有一份试卷不会被遗漏,同时保证剩余复习时间的有效利用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

原文链接:https://blog.youkuaiyun.com/qq_41117236/article/details/99313279
【题解】

思路:考官最坏情况拿m来分配给n+1-k份卷子来卡你最小的n+1-k个复习时间段,那么最少可以需要m+1个小时分给你的最小的n+1-k个复习时间段,保证了至少有一份试卷不会被卡掉,剩下k-1个复习时间要保证大于等于你最小的n+1-k个复习时间段的最大值。最糟糕的情况是n+1-k个复习时间段尽可能平均的分配,所以剩下k-1个最小的情况是都为m+1尽可能分配给n+1-k个每一段的较大值。最后输出两段之和即可。

#include<iostream>
#include<iomanip>
#include<deque>
#include<map>
#include<cstring>
#include<cstdio>
#include<queue>
#include<algorithm>
#include<vector>
#include<cmath>
#define INF 0x3f3f3f3f
typedef long long ll;
using namespace std;
int main(){
    int t;
    cin>>t;
    while(t--){
        ll n,m,k;
        cin>>n>>m>>k;
        if(n==k){
            ll temp=n*(m+1);
            cout<<temp<<endl;
            continue;
        }
        ll temp=(m/(n-k+1)+1);
        cout<<temp*(k-1)+m+1<<endl;
    }
    return 0;
}
/*
4
5 5 3
10 109 10
7 8 6
6 7 4
*/
内容概要:该论文研究增程式电动汽车(REEV)的能量管理策略,针对现有优化策略实时性差的问题,提出基于工况识别的自适应等效燃油消耗最小策略(A-ECMS)。首先建立整车Simulink模型和基于规则的策略;然后研究动态规划(DP)算法和等效燃油最小策略;接着通过聚类分析将道路工况分为四类,并设计工况识别算法;最后开发基于工况识别的A-ECMS,通过高德地图预判工况类型并自适应调整SOC分配。仿真显示该策略比规则策略节油8%,比简单SOC规划策略节油2%,并通过硬件在环实验验证了实时可行性。 适合人群:具备定编程基础,特别是对电动汽车能量管理策略有兴趣的研发人员和技术爱好者。 使用场景及目标:①理解增程式电动汽车能量管理策略的基本原理;②掌握动态规划算法和等效燃油消耗最小策略的应用;③学习工况识别算法的设计和实现;④了解基于工况识别的A-ECMS策略的具体实现及其优化效果。 其他说明:此资源不仅提供了详细的MATLAB/Simulink代码实现,还深入分析了各算法的原理和应用场景,适合用于学术研究和工业实践。在学习过程中,建议结合代码调试和实际数据进行实践,以便更好地理解策略的优化效果。此外,论文还探讨了未来的研究方向,如深度学习替代聚类、多目标优化以及V2X集成等,为后续研究提供了思路。
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