墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
89平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
题目描述
小明每周上班都会拿到自己的工作清单，工作清单内包含 n 项工作，每项工作都有对应的耗时时间（单位 h）和报酬，工作的总报酬为所有已完成工作的报酬之和，那么请你帮小明安排一下工作，保证小明在指定的工作时间内工作收入最大化。
输入描述
输入的第一行为两个正整数 T，n。
T 代表工作时长（单位 h， 0 < T < 1000000），
n 代表工作数量（ 1 < n ≤ 3000）。
接下来是 n 行，每行包含两个整数 t，w。
t 代表该工作消耗的时长（单位 h， t > 0），w 代表该项工作的报酬。
输出描述
输出小明指定工作时长内工作可获得的最大报酬。
用例
| 输入 | 40 3 20 10 20 20 20 5 |
| 输出 | 30 |
| 说明 | 无 |
本题是01背包问题。可以使用动态规划求解。
本题中
【新2023Q2模拟题JAVA】华为OD机试 - 工作安排 | 最大报酬
本篇题解：最大报酬 题目 小明每周上班都会拿到自己的工作清单，工作清单内包含 n 项工作，每项工作都有对应的耗时时间（单位 ℎ ）和报酬, 工作的总报酬为所有已完成工作的报酬之和，那么请你帮小明安排一下工作，保证小明在指定的工作时间内工作收入最大化。 输入 输入的第一行为两个正整数 T，n。 T 代表工作时长（单位 ℎ，0
【华为OD机试真题 2025A卷】650、最大报酬 | 机试真题+思路参考+代码解析（C++、Java、Py）（A卷复用）
【华为OD机试真题 2025A卷】650、最大报酬 | 机试真题+思路参考+代码解析（C++、Java、Py）（A卷复用） 华为od机试，华为od机试真题，华为od机试E卷，华为odE卷，华为od机试真题E卷，华为OD，华为OD机试，华为OD机试真题，华为od机考，华为od机试D卷，华为od机试真题D卷，华为od手撕代码，华为od，华为od机试C卷，华为od e卷，华为2025e卷，od机试，2025E卷，华为OD机试E卷，什么是华为od，华为od介绍，全面了解华为od，2025华为od，如何备战华为od，
华为OD机试：如何通过动态规划实现最大报酬问题（C++ Java Python JavaScript 实现）
给定一周的工作时长T（单位小时）以及工作数量n。每项工作都有一个耗时时间t和对应的报酬w。你需要安排这些工作，使得小明在规定的T时间内获得的报酬最大。背包容量：即小明的工作时长T。物品重量：每项工作的耗时时间t。物品价值：每项工作的报酬w。目标：在不超过背包容量的前提下，使背包中的物品总价值最大化。动态规划的核心思想是通过构建一个dp数组，其中dp[i][j]表示前i项工作在不超过j时间内能获得的最大报酬。然后我们逐步填充这个数组，通过递推关系，最终得到结果。
【华为OD机试真题】136、最大报酬 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS）
题目描述 >小明每周上班都会拿到自己的工作清单，工作清单内包含n项工作，每项工作都有对应的耗时时间(单位h)和报酬，工作的总报酬为所有已完成工作的报酬之和，那么请你帮小明安排一下工作, 保证小明在指定的工作时间内工作收入最大化。
【华为OD机试真题 2025B卷】136、最大报酬 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS）
【华为OD机试真题 2025B卷】136、最大报酬 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS） 华为od机试，华为od机试真题，华为od机试E卷，华为odE卷，华为od机试真题E卷，华为OD，华为OD机试，华为OD机试真题，华为od机考，华为od机试D卷，华为od机试真题D卷，华为od手撕代码，华为od，华为od机试C卷，华为od e卷，华为2025e卷，od机试，2025E卷，华为OD机试E卷，什么是华为od，华为od介绍，全面了解华为od，2025华为od，如何
2023华为OD机试真题Java实现【动态规划/最大报酬】
工作的总报酬为所有已完成工作的报酬之和，那么请你帮小明安排一下工作，保证小明在指定的工作时间内工作收入最大化。小明每周上班都会拿到自己的工作清单，工作清单内包含n项工作，每项工作都有对应的耗时时间（单位h）和报酬,T代表工作时长（单位h，0
【华为OD机试真题E卷】497、最大报酬 | 机试真题+思路参考+代码解析（E卷复用）（C++、Java、Py）
题目描述 小明每周上班都会拿到自己的工作清单，工作清单内包含n项工作，每项工作都有对应的耗时时间(单位h)和报酬，工作的总报酬为所有已完成工作的报酬之和，那么请你帮小明安排一下工作, 保证小明在指定的工作时间内工作收入最大化。
【100%通过率 】【华为OD机试c++/java/python】最大报酬【E卷|2023 Q1 A卷|100分】
小明每周上班都会拿到自己的工作清单，工作清单内包含n项工作， 每项工作都有对应的耗时时间（单位h）和报酬, 工作的总报酬为所有已完成工作的报酬之和， 那么请你帮小明安排一下工作， 保证小明在指定的工作时间内工作收入最大化。
华为OD机试A卷 - 最大报酬（C++ Java JavaScript Python ）
小明每周上班都会拿到自己的工作清单，工作清单内包含 n 项工作，每项工作都有对应的耗时时间（单位 h）和报酬，工作的总报酬为所有已完成工作的报酬之和，那么请你帮小明安排一下工作，保证小明在指定的工作时间内工作收入最大化。t 代表该工作消耗的时长（单位 h， t > 0），w 代表该项工作的报酬。T 代表工作时长（单位 h， 0 < T < 1000000），n 代表工作数量（ 1 < n ≤ 3000）。接下来是 n 行，每行包含两个整数 t，w。输出小明指定工作时长内工作可获得的最大报酬。
【华为OD机试真题E卷 Java语言】497、最大报酬 | 机试真题+思路参考+代码解析（E卷复用）
【华为OD机试真题E卷 Java语言】497、最大报酬 | 机试真题+思路参考+代码解析（E卷复用） 华为od机试，华为od机试真题，华为od机试E卷，华为odE卷，华为od机试真题E卷，华为OD，华为OD机试，华为OD机试真题，华为od机考，华为od机试D卷，华为od机试真题D卷，华为od手撕代码，华为od，华为od机试C卷，华为od e卷，华为2024e卷，od机试，2024E卷，华为OD机试E卷，什么是华为od，华为od介绍，全面了解华为od，2024华为od，如何备战华为od，华为od算法，华为od
【100%通过率】华为OD机试真题 Java 实现【最大报酬】【2022.11 Q4 新题】
小明每周上班都会拿到自己的工作清单，工作清单内包含n项工作，每项工作都有对应的耗时时间（单位h）和报酬,工作的总报酬为所有已完成工作的报酬之和，那么请你帮小明安排一下工作，保证小明在指定的工作时间内工作收入最大化。
华为OD机试 - 最大报酬 - 0/1 背包问题，动态规划（Java 2024 E卷 100分）
动态规划是一种算法思想，它的本质是通过将问题分解为更小的子问题，并保存每个子问题的解，以此来避免重复计算并获得问题的最优解。
华为OD机试 - 最大报酬（Java）
小明每周上班都会拿到自己的工作清单，工作清单内包含 n 项工作，每项工作都有对应的耗时时间（单位 h）和报酬，工作的总报酬为所有已完成工作的报酬之和，那么请你帮小明安排一下工作，保证小明在指定的工作时间内工作收入最大化。t 代表该工作消耗的时长（单位 h， t > 0），w 代表该项工作的报酬。本题是01背包问题。T 代表工作时长（单位 h， 0 < T < 1000000），接下来是 n 行，每行包含两个整数 t，w。输出小明指定工作时长内工作可获得的最大报酬。关于01背包的滚动数组优化，请看。
【华为OD机试真题】136、最大报酬 | 机试真题+思路参考+代码解析（C语言、C++、Java、Py、JS）
小明每周上班都会拿到自己的工作清单，工作清单内包含n项工作，每项工作都有对应的耗时时间(单位h)和报酬，工作的总报酬为所有已完成工作的报酬之和，那么请你帮小明安排一下工作, 保证小明在指定的工作时间内工作收入最大化。
华为OD机试E卷 - 最大报酬（Java & Python& JS & C++ & C ）
小明每周上班都会拿到自己的工作清单，工作清单内包含 n 项工作，每项工作都有对应的耗时时间（单位 h）和报酬，工作的总报酬为所有已完成工作的报酬之和，那么请你帮小明安排一下工作，保证小明在指定的工作时间内工作收入最大化。
如何在华为OD机试中获得满分？Java实现【工作安排】一文详解！
✅创作者：陈书予 🎉个人主页：陈书予的个人主页 🍁陈书予的个人社区，欢迎你的加入: 陈书予的社区 🌟专栏地址: Java华为OD机试真题（2022&2023) 小明每周上班都会拿着自己的工作清单，工作清单内包含n项工作，每项工作都有对应的耗时时长（单位h）和报酬，工作的总报酬为所有已完成工作的报酬之和。那么请你帮小明安排一下工作，保证小明在指定的工作时间内完成工作收入最大化。输入的第一行为两个正整数T，n。T代表工作时长（单位h，0 < T
使用RustDesk或者AnyDesk的TCP隧道实现Codesys系列PLC的远程调试和下载
Codesys远程调试
大数据实战：Python与MySQL在足球赔率分析中的高效应用
本文详细介绍了如何利用Python与MySQL进行大数据实战，实现足球赔率的高效分析。通过对比Excel处理的局限性，阐述了数据库在处理百万级数据时的速度优势。文章提供了从环境搭建、使用pymysql连接数据库、利用pandas进行数据清洗与分析，到构建自动化分析系统的完整流程，旨在帮助读者将大数据技术应用于实际业务场景，显著提升数据处理与洞察效率。
MATLAB实战：用ARMAX模型搞定电力系统惯量评估（附完整代码）
本文详细介绍了如何利用MATLAB中的ARMAX模型进行电力系统惯量评估，解决新能源占比提高带来的系统惯量下降问题。通过系统辨识技术，从电网运行数据中准确提取惯量参数，并提供完整的代码实现，帮助工程师快速应用于实际工程。
【OpenCV3】cv::compare()使用详解
cv::compare()主要用于两个图像之间进行逐像素的比较，并输出比较的结果。具体用法如下： cv::compare() bool cv::compare( cv::InputArray src1, // 输入数组1 cv::InputArray src2, // 输入数组2 cv::OutputArray dst, // 输出数组 int cmpop // 比较操作子,见下表 ...
采购订单定价策略 超详细
‘需求’字段里填写的是一个例程编号（例程是一段判断程序），如果我们在需求中维护了例程编号，那只有这个例程条件被满足时，这个条件表才会被系统自动读取。一部分的条件表只有在凭证项目满足一定的条件时才会被读取。 ‘排斥的’字段如果别勾中的话，那表明如果这个条件表被系统成功读取到数据后，系统将停止这个存取顺序的执行，否则，系统将继续执行下去。 注意：a、如果我们给某个条件类型设定了有效期的话，那我们必须给这个条件类型分配一个存取顺序。 b、不能给一个抬头条件分配存取顺序。 是...
理想汽车智驾方案介绍 4 World model + 强化学习重建自动驾驶交互环境
本帖将以 DrivingSphere 为例来解析这个过程。
从 SAP GUI 走向 SAP Fiori：一套面向 SAP S/4HANA 的用户迁移实战方法论
SAP S/4HANA转型中，用户从SAP GUI迁移到Fiori的难点在于业务价值的重构而非简单的界面替换。Fiori的核心价值在于角色化、实时洞察和智能决策，而非完全替代GUI。成功迁移需分阶段推进：先展示关键角色的价值，建立统一入口，再逐步提高Fiori占比。让用户参与设计比后期培训更重要，需通过具体场景（如采购优先级管理）展示效率提升。迁移策略应平衡新旧界面优势，让Fiori成为业务价值触达的主要方式，而非强制替换。
这种绑定设备的文件拷贝出来了，怎么放到一台新的P100上使用
🏆 本文收录于《全栈Bug调优(实战版)》专栏，致力于分享我在项目实战过程中遇到的各类Bug及其原因，并提供切实有效的解决方案。无论你是初学者还是经验丰富的开发者，本文将为你指引出一条更高效的Bug修复之路，助你早日登顶，迈向财富自由的梦想🚀！同时，欢迎大家关注、收藏、订阅本专栏，更多精彩内容正在持续更新中。让我们一起进步，Up！Up！Up！ 备注： 部分问题/难题源自互联网，经过精心筛选和整理，结合数位十多年大厂实战经验资深大佬经验总结所得，数条可行方案供所需之人参考。
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
5473
扫一扫
