L2-003. 月饼 (简单贪心算法)

本文介绍了一种算法,用于计算在给定各种月饼库存量、总售价及市场需求的情况下,如何通过选择最优组合来最大化销售收益。

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

L2-003. 月饼

时间限制
100 ms
内存限制
65536 kB
代码长度限制
8000 B
判题程序
Standard
作者
陈越

月饼是中国人在中秋佳节时吃的一种传统食品,不同地区有许多不同风味的月饼。现给定所有种类月饼的库存量、总售价、以及市场的最大需求量,请你计算可以获得的最大收益是多少。

注意:销售时允许取出一部分库存。样例给出的情形是这样的:假如我们有3种月饼,其库存量分别为18、15、10万吨,总售价分别为75、72、45亿元。如果市场的最大需求量只有20万吨,那么我们最大收益策略应该是卖出全部15万吨第2种月饼、以及5万吨第3种月饼,获得 72 + 45/2 = 94.5(亿元)。

输入格式:

每个输入包含1个测试用例。每个测试用例先给出一个不超过1000的正整数N表示月饼的种类数、以及不超过500(以万吨为单位)的正整数D表示市场最大需求量。随后一行给出N个正数表示每种月饼的库存量(以万吨为单位);最后一行给出N个正数表示每种月饼的总售价(以亿元为单位)。数字间以空格分隔。

输出格式:

对每组测试用例,在一行中输出最大收益,以亿元为单位并精确到小数点后2位。

输入样例:
3 20
18 15 10
75 72 45
输出样例:

94.50

// 把月饼存入数组,按照单价从高到低排序,最后依次卖出
#include <iostream>
#include <algorithm>
#include <vector>
using namespace std;
// 注意精度问题
struct node {
	double weight;
	double price;
};

bool comp(node& a1, node&a2) {
	return a1.price > a2.price;
}

int main()
{
	//freopen("data.txt", "r", stdin);
	int N, D;
	double count = 0;
	cin >> N >> D;
	vector<node> moon;
	for (int i = 0; i < N; i++)
	{
		node n;
		cin >> n.weight;
		moon.push_back(n);
	}
	for (int i = 0; i < N; i++)
	{
		double num;
		cin >> num;
		moon[i].price = num / moon[i].weight;
	}
	sort(moon.begin(), moon.end(), comp);

	for (int i = 0; i < moon.size(); i++)
	{
		if (D >= moon[i].weight)
		{
			D -= moon[i].weight;
			count += moon[i].weight * moon[i].price;
		}
		else if (0 < D && D < moon[i].weight) {
			count += D * moon[i].price;
			D = 0;
		}
		else
			break;
	}
	printf("%.02lf", count);
	return 0;
}


### 模型构建与参数估计 为了实现 ARIMA(0,1,2) 模型并使用条件最小二乘法 (CSS) 进行参数估计,可以利用 Python 的 `statsmodels` 库。该库提供了 `ARIMA` 类来定义模型,并通过 `fit()` 方法进行拟合。设置 `method='css'` 可启用条件最小二乘法[^1]。 以下是完整的代码实现: ```python import numpy as np from statsmodels.tsa.arima.model import ARIMA # 提供的时间序列数据 diff_series = [ 0.018, 0.016, 0.013, -0.002, 0.009, -0.017, -0.006, -0.003, -0.021, -0.006, 0.02, -0.007, -0.016, -0.021, -0.013, 0.0, 0.009, 0.009, -0.004, 0.009, 0.022, 0.01, -0.016, -0.01, -0.029, -0.027, -0.011, -0.017, -0.016, -0.009, 0.003, -0.008, 0.012, 0.005, 0.003, 0.008, 0.015, 0.014, 0.0, 0.003, 0.006, -0.011, -0.006, -0.003, 0.023 ] # 转换为numpy数组 data = np.array(diff_series) # 构建ARIMA(0,1,2)模型 model = ARIMA(data, order=(0, 1, 2)) # 使用CSS方法进行参数估计 results = model.fit(method='css') # 输出模型摘要信息 print(results.summary()) # 获取模型参数估计值 print("模型参数估计:", results.params) ``` ### 结果分析 执行上述代码后,输出将包括: - **模型结构**:确认是否为 ARIMA(0,1,2) - **系数估计**:MA(1) 和 MA(2) 的参数估计值及其标准误差、z 值和 p 值,用于判断显著性 - **残差方差(sigma2)**:描述模型的噪声水平 - **对数似然函数值、AIC、BIC**:用于比较不同模型的拟合效果 具体参数估计值可通过 `results.params` 提取,通常输出如下格式: ``` ma.L1 -0.4567 ma.L2 0.2134 sigma2 0.0003 ``` 其中,`ma.L1` 表示 MA(1) 系数,`ma.L2` 表示 MA(2) 系数,`sigma2` 是残差方差。 --- ###
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