uva_10626 - Buying Coke( DP,记忆化搜索 )

本文介绍了一种解决硬币兑换问题的方法,通过使用记忆化搜索减少重复计算,优化了递归解决方案。该方法利用三维动态规划数组来存储已解决的子问题,避免了时间复杂度过高的问题。

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

这一题很容易想到开四维的array,但是算算时间复杂度,这样肯定是会TLE的
自然想到减少状态数,最后发现状态可以写成三维的
状态: dp[n1][n5][n10], 表示用n1个1coin, n5个5coin, n10个10coin, buy x 个可乐的最少投币数
当由开始状态到达的状态的硬币所表示的总和等于开始硬币所表示的总和的时候表示已经购买了c个可乐
投币方案如下:
1.投2个价值5的硬币, 得到2个价值1的硬币
2.投8个价值1的硬币
3.投1个价值10的硬币,得到2个价值1的硬币
4.投1个价值5的硬币和3个价值1的硬币
5.*投3个价值1的硬币和1个价值10的硬币,得1个价值5的硬币
由于硬币有增加的情况,递推不好写,果断使用记忆化搜索,然后还值得注意的是开数组的范围

#include <cstdio>
#include <cstring>
#include <algorithm>
using namespace std;

#define MAX10   60
#define MAXC    151
#define MAXN1   801
#define MAXN5   161
#define INF     0x3f3f3f3f

int dp[MAXN1][MAXN5][MAX10], residual;

int dfs(const int &n1, const int &n5, const int &n10)
{
        int rst(INF);
        if( -1 != dp[n1][n5][n10] ) {
                return dp[n1][n5][n10];
        }
        if( residual == n1+5*n5+10*n10 ) {
                return dp[n1][n5][n10] = 0;
        }
        if( n1 >= 8 ) {
                rst = min(rst, dfs(n1-8, n5, n10)+8);
        }
        if( n5 >= 2 ) {
                rst = min(rst, dfs(n1+2, n5-2, n10)+2);
        }
        if( n10 >= 1 ) {
                rst = min(rst, dfs(n1+2, n5, n10-1)+1);
        }
        if( n10 >= 1 && n1 >= 3 ) {
                rst = min(rst, dfs(n1-3, n5+1, n10-1)+4);
        }
        if( n5 >= 1 && n1 >= 3 ) {
                rst = min(rst, dfs(n1-3, n5-1, n10)+4);
        }
        return dp[n1][n5][n10] = rst;
}

int main(int argc, char const *argv[])
{
#ifndef ONLINE_JUDGE
        freopen("test.in", "r", stdin);
#endif
        int cas, c, n1, n5, n10;
        scanf("%d", &cas);
        for( ; cas; cas --) {
                scanf("%d %d %d %d", &c, &n1, &n5, &n10); memset(dp, -1, sizeof(dp));
                residual = n1+5*n5+10*n10-c*8; printf("%d\n", dfs(n1, n5, n10));
        }
        return 0;
}

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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