P1853 投资的最大效益

本文介绍了一个基于动态规划的投资策略优化算法,旨在帮助投资者在多种债券中选择最优组合,以实现资产的最大增值。通过实例演示了如何计算经过n年后的最大总资产。

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

题目背景

约翰先生获得了一大笔遗产,他暂时还用不上这一笔钱,他决定进行投资以获得更大的效益。银行工作人员向他提供了多种债券,每一种债券都能在固定的投资后,提供稳定的年利息。当然,每一种债券的投资额是不同的,一般来说,投资越大,收益也越大,而且,每一年还可以根据资金总额的增加,更换收益更大的债券。

题目描述

例如:有如下两种不同的债券:①投资额 $4000,年利息$ 400;②投资额 $3000,年利息$ 250。初始时,有 $10000的总资产,可以投资两份债券①债券,一年获得$ 800的利息;而投资一份债券①和两份债券②,一年可获得 $900的利息,两年后,可获得$ 1800的利息;而所有的资产达到 $11800,然后将卖掉一份债券②,换购债券①,年利息可达到$ 1050;第三年后,总资产达到 $12850,可以购买三份债券①,年利息可达到$ 1200,第四年后,总资产可达到$14050。

现给定若干种债券、最初的总资产,帮助约翰先生计算,经过n年的投资,总资产的最大值。

输入输出格式

输入格式:

第一行为三个正整数s,n,d,分别表示最初的总资产、年数和债券的种类。

接下来d行,每行表示一种债券,两个正整数a,b分别表示债券的投资额和年利息。

输出格式:

仅一个整数,表示n年后的最大总资产。

输入输出样例

输入样例1: 10000 4 2

4000 400

3000 250

输出样例1: 14050

说明 s≤10^6,n≤40,d≤10,a≤10^4,且a是1000的倍数,b不超过a的10%。

代码

#include <cmath>
#include <cstdio>
#include <cstring>
#include <cstdlib>
#include <iostream>
#include <algorithm>
const int M=46000;
int v[10],vi[10],f[M];
int main(){
    int all,y,d;
    scanf("%d %d",&all,&y);
    scanf("%d",&d);
    for(int i=0;i<d;i++){
        scanf("%d %d",&v[i],&vi[i]);
    }
    for(int i=0;i<d;i++){
        for(int j=v[i]/1000;j<M;j++){
            if(f[j-v[i]/1000]+vi[i]>f[j]){
                f[j]=f[j-v[i]/1000]+vi[i];
            }
        }
    }
    for(int i=0;i<y;i++){
        all+=f[all/1000];
    }
    printf("%d", all);
    return 0;
}

因为题目说a是1000的倍数,所以运算时可以除以1000来做,可以进行简化,避免一堆0。

利用max(f[j],f[j-v[i]/1000]+vi[i])的dp思想。

状态转移方程:max(f[j],f[j-v[i]/1000]+vi[i])

转载于:https://www.cnblogs.com/xiongchongwen/p/11137648.html

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