hdu Save the dwarfs 4314

本文介绍了一道关于矮子从井中逃生的问题,并提供了解题思路与DP算法实现。通过对矮子的脚到肩膀高度及手臂长度进行排序,利用动态规划方法计算最多能有多少矮子成功逃出。

转自:http://blog.youkuaiyun.com/longshuai0821/article/details/7794699


题意: 在井中有n个矮子,每个矮子都有ai(脚到肩膀的高度)和bi(手臂长度), 当存在A1 + A2 + ... + Ak-1 + Ak + Bk >= H,k可以从井里面逃出去。问最多能逃出去几个人。

解题思路:按ai+bi和的值从小到大排序后dp,dp[i][j]表示前i个矮子跑出去j个时,需要之前井中剩下的人的最小A高度之和。有如下转移方程dp[i][j] = min(dp[i-1][j] - s[i-1].a, max(dp[i-1][j-1], H - sumA[i-1] - s[i-1].b ))。最后找到最大的j满足dp[n][j]<=0即为所求。

粗略证明:当逃出去的组合(逃出去的人编号的组合)是一个的时候,如果某个组合的人可以都逃出去,先跑ai+bi小的肯定可以跑出去。


#include<iostream>
#include<stdio.h>
#include<algorithm>
const int N=3000;
const int inf=1e9;
using namespace std;
struct node
{
    int a,b;
    void read(){ scanf("%d%d",&a,&b); }
    bool operator <(const node tmp)const { return a+b<tmp.a+tmp.b; }
}no[N];
int opt[N][N],n,h;
int solve()
{
    int sum=0;
    for(int i=1;i<=n;i++) sum+=no[i].a;
    for(int j=1;j<=n;j++) opt[0][j]=inf;  // opt[i][j]表示前i个人要出去j个的最小要减去的的高度值即A
    opt[0][0]=0;
    for(int i=1;i<=n;i++)
    {
        opt[i][0]=0;
        for(int j=1;j<=n;j++){
            opt[i][j]=opt[i-1][j];  // 如果第i个不出去的话
            if(sum-opt[i-1][j-1]+no[i].b>=h)  //如果能够出去的话
                opt[i][j]=min(opt[i][j],opt[i-1][j-1]+no[i].a);
//            cout<<i<<' '<<j<<' '<<opt[i][j]<<' '<<opt[i-1][j]<<endl;
        }
    }
    for(int j=n;j>=0;j--)
        if(opt[n][j]!=inf)
            return j;
}
int main()
{
    while(scanf("%d",&n)!=-1)
    {
        for(int i=1;i<=n;i++)
            no[i].read();
        scanf("%d",&h);
        sort(no+1,no+n+1);
        cout<<solve()<<endl;
    }
    return 0;
}


内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
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