poj 1190 生日蛋糕

本文详细介绍了如何通过深度优先搜索算法解决POJ1190生日蛋糕问题,包括问题描述、解题思路、剪枝条件以及代码实现。通过分析蛋糕体积和面积的关系,提出有效的剪枝策略来优化搜索过程,最终找到最优的蛋糕制作方案。

poj 1190 生日蛋糕

 搜索题  然而并没有任何思路 只能去搜大神的 解题报告 和代码 

 原博文:http://blog.youkuaiyun.com/gubojun123/article/details/7804516

  问题描述: 要制作一个体积为Nπ的M层生日蛋糕,每层都是一个圆柱体。 
设从下往上数第i(1 <= i <= M)层蛋糕是半径为Ri, 高度为Hi的圆柱。当i < M时,要求Ri > Ri+1且Hi > Hi+1。 
由于要在蛋糕上抹奶油,为尽可能节约经费,我们希望蛋糕外表面(最下一层的下底面除外)的面积Q最小。 
令Q = Sπ 
请编程对给出的N和M,找出蛋糕的制作方案(适当的Ri和Hi的值),使S最小。 
   ***(除Q外,以上所有数据皆为正整数)  这个条件 就是说明了Ri和Hi 只能是正整数   然后才有 fuck( ) 函数 。

  解题思路由于深度一定(m),所以使用深度优先搜索,自上而下的设定蛋糕序号,最顶层的为第1层,……,最底层的蛋糕为第m层,很明显满足题目条件的前i层的(从顶层(也就是编号为1的层)开始计数)最小面积mins[i]和体积minv[i]是在该层的半径以及高度都为i时取得,如果采用一般的神搜肯定会超时,所以这题还需要剪枝,剪枝条件有(从m层向上搜,假设前dep层的体积为sumv,面积为sums,当前所得的最小面积为best):
     1> 因为前dep层的体积为sumv,如果剩下的几层的体积都取最小可能值,总体积还是比n大,那么则说明前dep层的方案不可行,所以可以剪枝(剪枝条件为:sumv+minv[dep-1]>n)
     2> 因为前dep层的面积为sums,如果剩下的几层的面积都取最小可能值,所得的面积和比已经得到的所求的最小面积best大,也可以进行剪枝(剪枝条件为:sums+mins[dep-1]>best)
     3> 因为前dep层的体积为sumv,那么剩余的m-dep层的体积满足:n-sumv=(h[k]*(r[k]^2)+……+h[m]*(r[m]^2))      (k=dep+1,……,m)
            而剩余部分的表面积满足:lefts=2*(r[k]*h[k]+……+r[m]*h[m])>2*(n-sumv)/r[dep]      (k=dep+1,……,m)

      注释: 就是剩余部分的表面积要大于当前的部分的表面积 ,否则就结束。
            显然有上述不等式lefts=best-sums>2*(n-sumv)/r,即2*(n-sumv)/r+sums<best,所以当2*(n-sumv)/r[i]+sums>=best时也可以进行剪枝.  

#include<stdio.h>
#define INF 10000000
#define min(a,b) (a<b?a:b)
int n,m,best,minv[22],mins[22];
void Init()
{
     int i;
     minv[0]=0;
     mins[0]=0;
     for(i=1;i<22;i++)//从顶层向下计算出最小体积和表面积的可能值
     {
     	//从顶层(即第1层)到第i层的最小体积minv[i]成立时第j层的半径和高度都为j
         minv[i]=minv[i-1]+i*i*i;
         mins[i]=mins[i-1]+2*i*i;
     }
}
//dep:搜索深度,从底层m层向上搜,r,h分别为该层的半径和高度
void DFS(int dep,int sumv,int sums,int r,int h)
{
     int i,j,maxh;
     if(dep==0)//搜索完成,则更新最小面积值
     {
         if(sumv==n&&sums<best)
            best=sums;
         return;
     }
     //剪枝如上面所述
     if((sumv+minv[dep-1]>n)||(sums+mins[dep-1]>best)||(2*(n-sumv)/r+sums>=best))
         return;
     //按递减顺序枚举dep层蛋糕半径的每一个可能值,这里第dep层的半径最小值为dep
     for(i=r-1;i>=dep;i--) 
     {
         if(dep==m)//底面积作为外表面积的初始值(总的上表面积,以后只需计算侧面积)
            sums=i*i;
         //最大高度,即dep层蛋糕高度的上限,(n-sumv-minv[dep-1])表示第dep层最大的体积
         maxh=min((n-sumv-minv[dep-1])/(i*i),h-1);
         for(j=maxh;j>=dep;j--)//同理,第dep层的最小高度值为dep
            DFS(dep-1,sumv+j*i*i,sums+2*i*j,i,j);//递归搜索子状态
     }
}

int main()
{
    Init();
    while(~scanf("%d%d",&n,&m))
    {
          best=INF;
          DFS(m,0,0,n+1,n+1);
          if(best==INF)
             best=0;
          printf("%d\n",best);
    }
    return 0;
}

 

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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