NOIP2016 day1T3 洛谷 P1850 换教室

本文详细解析了一个关于换教室问题的动态规划算法。通过使用Floyd算法预处理每两间教室之间的最短路径,定义了状态f[i][j][0/1]来表示考虑前i个时间段,提交j次申请,第j次申请通过或不通过的期望最短距离,并给出了具体的转移方程。最后,通过代码实现展示了整个算法的过程。

题目:换教室

思路:
dp。
先用floyd预处理出每两间教室的最短路。
状态 f[i][j][0/1] 表示 考虑前 i 个时间段,提交 j 次申请,第 j 次申请通过/不通过 的期望最短距离。

转移:
一、 当前教室不更换,此时

f[i][j][0]=min(f[i-1][j][0]+dist[c[i]][c[i-1]],
			   f[i-1][j][1]+dist[c[i]][d[i-1]]*p[i-1]+dist[c[i]][c[i-1]]*(1-p[i-1]));

即分前一时间段申请通过,前一段时间申请且不通过 和前一段时间不申请讨论。
二、当前教室更换,此时

f[i][j][1]=min(f[i-1][j-1][0]+dist[d[i]][c[i-1]]*p[i]+dist[c[i]][c[i-1]]*(1-p[i]),
			   f[i-1][j-1][1]+dist[d[i]][d[i-1]]*p[i]*p[i-1]+
			   dist[c[i]][d[i-1]]*(1-p[i])*p[i-1]+
			   dist[d[i]][c[i-1]]*p[i]*(1-p[i-1])+
			   dist[c[i]][c[i-1]]*(1-p[i])*(1-p[i-1]));

即 前一段时间不申请 , 此时申请通过 ;
前一段时间不申请,此时申请不通过;
前一段时间申请通过,此时申请通过;
前一段时间申请不通过,此时申请通过;
前一段时间申请通过,此时申请不通过;
前一段时间申请不通过,此时申请不通过。

注意初值,f[1][0][0]=f[1][1][1]=0 ,即第一间教室申请或不申请都不需要额外的花费距离。

代码:

#include<bits/stdc++.h>
using namespace std;

#define maxn 2000
#define maxv 300
#define read(x) scanf("%d",&x)
#define db double
#define readdb(x) scanf("%lf",&x)
#define inf (1e9)

int n,m,v,e;
int c[maxn+5],d[maxn+5];
db p[maxn+5];

int dist[maxv+5][maxv+5];

db f[maxn+5][maxn+5][3];

void readin() {
	read(n),read(m),read(e),read(v);
	for(int i=1;i<=n;i++) read(c[i]);
	for(int i=1;i<=n;i++) read(d[i]);
	for(int i=1;i<=n;i++) readdb(p[i]);
	for(int i=1;i<=e;i++) for(int j=1;j<=e;j++) if(i!=j) dist[i][j]=inf;
	for(int i=1;i<=v;i++) {
		int x,y,z;
		read(x),read(y),read(z);
		dist[x][y]=min(dist[x][y],z);
		dist[y][x]=min(dist[y][x],z);
	}
}

void floyd() {
	for(int k=1;k<=e;k++) {
		for(int i=1;i<=e;i++) {
			for(int j=1;j<=e;j++) {
				dist[i][j]=min(dist[i][j],dist[i][k]+dist[k][j]);
			}
		}
	}
}

void dp() {
	for(int i=1;i<=n;i++) for(int j=0;j<=m;j++) f[i][j][0]=f[i][j][1]=inf;
	f[1][0][0]=f[1][1][1]=0;
	for(int i=2;i<=n;i++) {
		for(int j=0;j<=m;j++) {
			f[i][j][0]=min(f[i-1][j][0]+dist[c[i]][c[i-1]],
			f[i-1][j][1]+dist[c[i]][d[i-1]]*p[i-1]+dist[c[i]][c[i-1]]*(1-p[i-1]));
			if(j!=0)
				f[i][j][1]=min(f[i-1][j-1][0]+dist[d[i]][c[i-1]]*p[i]+dist[c[i]][c[i-1]]*(1-p[i]),
				f[i-1][j-1][1]+dist[d[i]][d[i-1]]*p[i]*p[i-1]+dist[c[i]][d[i-1]]*(1-p[i])*p[i-1]+
				dist[d[i]][c[i-1]]*p[i]*(1-p[i-1])+dist[c[i]][c[i-1]]*(1-p[i])*(1-p[i-1]));
		}
	}
}

int main() {
	readin();
	floyd();
	dp();
	db ans=inf;
	for(int i=0;i<=m;i++) {
		ans=min(ans,f[n][i][0]);
		ans=min(ans,f[n][i][1]);
	}
	printf("%.2lf",ans);
	return 0;
}
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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