bzoj3709: [PA2014]Bohater 贪心

本文介绍了一种优化游戏策略的算法,通过优先选择对自己有益的游戏行动,然后以最佳状态应对不利情况。具体策略分为两部分:首先,从成本较低的有利行动开始,积累资源;其次,按收益从高到低的顺序处理不利行动,确保整体利益最大化。

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

~~~题面~~~

题解:

  首先有一个比较明显的策略,肯定先要把能带给自己受益的先选完,然后再以最佳状态去打那些会给自己带来损失的怪。

  对于前一部分(可以带来受益的怪),显然我们需要先从代价小的打起,因为这样可以把生命值越积越多,打代价大的怪也更容易成功。

  那么对于后一部分怎么办呢?我们需要从受益大的打起,为什么?

  证明:

    假设一个怪的受益为back,代价为cost,那么首先假设我们打完所有怪之后剩下have的生命值,那么have的大小是固定的,不会随着操作顺序而改变,因此我们可以考虑用这个来倒推最优策略。

    那么就是要使得这个倒推尽可能成功,观察一下,在倒推的过程中,相当于是不断的后悔打某个怪,那么就相当于减去back,加上cost。

    因此这就是一个和上一部分类似的问题,所以在倒推的时候需要按照back从小到大取,那么从正向来看,就是按照back从大到小取。

 

 1 #include<bits/stdc++.h>
 2 using namespace std;
 3 #define R register int
 4 #define AC 250100
 5 #define LL long long
 6  
 7 int n;
 8 LL have;
 9 int q[AC], top;
10 struct node{
11     int cost, back, id;
12 }s[AC];
13  
14 inline int read()
15 {
16     int x = 0;char c = getchar();
17     while(c > '9' || c < '0') c = getchar();
18     while(c >= '0' && c <= '9') x = x * 10 + c - '0', c = getchar();
19     return x;
20 }
21  
22 inline bool cmp1(node a, node b){
23     return a.cost < b.cost;
24 }
25  
26 inline bool cmp2(node a, node b){
27     return a.back > b.back;
28 }
29  
30 void pre()
31 {
32     n = read(), have = read();
33     for(R i = 1; i <= n; i ++) 
34         s[i].cost = read(), s[i].back = read(), s[i].id = i;
35 }
36  
37 void work()
38 {
39     sort(s + 1, s + n + 1, cmp1);
40     for(R i = 1; i <= n; i ++)
41         if(s[i].cost <= s[i].back) 
42         {
43             if(s[i].cost >= have) {printf("NIE\n"); return ;}
44             have += s[i].back - s[i].cost;
45             q[++top] = s[i].id;
46         }
47     sort(s + 1, s + n + 1, cmp2);
48     for(R i = 1; i <= n; i ++)
49         if(s[i].cost > s[i].back) 
50         {
51             if(s[i].cost >= have) {printf("NIE\n"); return ;}
52             have += s[i].back - s[i].cost;
53             q[++top] = s[i].id;
54         }
55     printf("TAK\n");
56     for(R i = 1; i <= top; i ++) printf("%d ", q[i]);
57 }
58  
59 int main()
60 {
61     //freopen("in.in", "r", stdin);
62     pre();
63     work();
64     //fclose(stdin);
65     return 0;
66 }
View Code

 

转载于:https://www.cnblogs.com/ww3113306/p/9867037.html

资源下载链接为: https://pan.quark.cn/s/67c535f75d4c 在机器人技术中,轨迹规划是实现机器人从一个位置平稳高效移动到另一个位置的核心环节。本资源提供了一套基于 MATLAB 的机器人轨迹规划程序,涵盖了关节空间和笛卡尔空间两种规划方式。MATLAB 是一种强大的数值计算与可视化工具,凭借其灵活易用的特点,常被用于机器人控制算法的开发与仿真。 关节空间轨迹规划主要关注机器人各关节角度的变化,生成从初始配置到目标配置的连续路径。其关键知识点包括: 关节变量:指机器人各关节的旋转角度或伸缩长度。 运动学逆解:通过数学方法从末端执行器的目标位置反推关节变量。 路径平滑:确保关节变量轨迹连续且无抖动,常用方法有 S 型曲线拟合、多项式插值等。 速度和加速度限制:考虑关节的实际物理限制,确保轨迹在允许的动态范围内。 碰撞避免:在规划过程中避免关节与其他物体发生碰撞。 笛卡尔空间轨迹规划直接处理机器人末端执行器在工作空间中的位置和姿态变化,涉及以下内容: 工作空间:机器人可到达的所有三维空间点的集合。 路径规划:在工作空间中找到一条从起点到终点的无碰撞路径。 障碍物表示:采用二维或三维网格、Voronoi 图、Octree 等数据结构表示工作空间中的障碍物。 轨迹生成:通过样条曲线、直线插值等方法生成平滑路径。 实时更新:在规划过程中实时检测并避开新出现的障碍物。 在 MATLAB 中实现上述规划方法,可以借助其内置函数和工具箱: 优化工具箱:用于解决运动学逆解和路径规划中的优化问。 Simulink:可视化建模环境,适合构建和仿真复杂的控制系统。 ODE 求解器:如 ode45,用于求解机器人动力学方程和轨迹执行过程中的运动学问。 在实际应用中,通常会结合关节空间和笛卡尔空间的规划方法。先在关节空间生成平滑轨迹,再通过运动学正解将关节轨迹转换为笛卡
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