[CF1091F](New Year and the Mallard Expedition)

原题here

这种题肯定是不会的,只有靠膜syk神仙才会的

题意一条一维的路上有草地(Grass)、山(Lava)、水(Water)三种地形

Bob(一只鸭子)可以游,走,飞

游一米要3s,走要5s,飞只要1s。

走和游一米积攒一点能量,飞一米消耗一点。

求最快时间。

这这这……F题竟成了一个大贪心!

贪心有很多种方法,这里我讲一种简洁的回溯式贪心

 

想象你在模拟,前面时一片Grass或Water,最贪的方法当然是走/游一半飞一半

然而你走到Lava时,power不够十分尴尬,悔不当初。

于是你决定时光回溯,将原先贪快而飞过的那一段改成走/游,用来积攒power,不就解决了吗?

问题是,怎么时光回溯呢?

这还不简单,把原先飞的路程记录下来,到power不够的时候把这个值调整一下,就达到了效果——简单方便。

 

但是因为地形比较复杂,所以决策很多(个鬼),我们排个优先级:

游>走>洄游>往回走(洄游/往回走即碰到一个巨大的Lava,前面全部走/游还不够power,无可奈和只能走来走去积攒power)

这是什么意思呢?

就是说你要走的时候,先看看前面(优先级比走大)的决策可不可行。

举个栗子:

就是先是一片Water你半游半飞,然后是一片Grass,这是你先考虑把前面Water的飞改成游,再在Grass上多飞一会。

同理遇到Lava时,尽量考虑优先级大的方案。

贴个(膜syk大佬的)代码

#include<iostream>
#include<cstdio>
#include<algorithm>
#include<cstring>
#include<string>
#define SYK 150000
#define orz_syk long long
using namespace std;
orz_syk syk1,syk2,syk3;//syk1 :前面本可以游却改成飞的路程
//syk2 :同理 走改飞
//syk3 :时间 char orz[SYK]; orz_syk lib[SYK]; orz_syk n; bool op=false; int main() {scanf("%lld",&n); for(int i=1;i<=n;i++){scanf("%lld",&lib[i]);} for(int i=1;i<=n;i++)cin>>orz[i]; for(int i=1;i<=n;i++){ if(orz[i]=='W') { syk3+=lib[i]*2; syk1+=lib[i]; op=true; }//遇Water游一半飞一半 if(orz[i]=='G'){ if(syk1>=lib[i]) {syk3+=2*lib[i]; syk1-=lib[i]; syk2+=2*lib[i];continue;} syk3+=2*syk1; syk2+=2*syk1; lib[i]-=syk1; syk1=0; syk3+=3*lib[i]; syk2+=lib[i]; }//遇水前面有syk1先消耗syk1,再走 if(orz[i]=='L'){ if(syk1>=lib[i]) {syk3+=2*lib[i]; syk1-=lib[i]; continue; } syk3+=2*syk1; lib[i]-=syk1; syk1=0; if(syk2>=lib[i]) {syk3+=lib[i]; syk3+=lib[i]*2; syk2-=lib[i]; continue; } syk3+=syk2; syk3+=2*syk2; lib[i]-=syk2; syk2=0; if(op)syk3+=4*lib[i]; else syk3+=6*lib[i]; }}//遇Lava先消耗syk1,再是syk2,然后是洄游,不行再往回走 cout<<syk3; }

  

syk:这题可naive了!

 

转载于:https://www.cnblogs.com/stepsys/p/10235501.html

内容概要:本文档详细介绍了一个基于MATLAB实现的跨尺度注意力机制(CSA)结合Transformer编码器的多变量时间序列预测项目。项目旨在精准捕捉多尺度时间序列特征,提升多变量时间序列的预测性能,降低模型计算复杂度与训练时间,增强模型的解释性和可视化能力。通过跨尺度注意力机制,模型可以同时捕获局部细节和全局趋势,显著提升预测精度和泛化能力。文档还探讨了项目面临的挑战,如多尺度特征融合、多变量复杂依赖关系、计算资源瓶颈等问题,并提出了相应的解决方案。此外,项目模型架构包括跨尺度注意力机制模块、Transformer编码器层和输出预测层,文档最后提供了部分MATLAB代码示例。 适合人群:具备一定编程基础,尤其是熟悉MATLAB和深度学习的科研人员、工程师和研究生。 使用场景及目标:①需要处理多变量、多尺度时间序列数据的研究和应用场景,如金融市场分析、气象预测、工业设备监控、交通流量预测等;②希望深入了解跨尺度注意力机制和Transformer编码器在时间序列预测中的应用;③希望通过MATLAB实现高效的多变量时间序列预测模型,提升预测精度和模型解释性。 其他说明:此项目不仅提供了一种新的技术路径来处理复杂的时间序列数据,还推动了多领域多变量时间序列应用的创新。文档中的代码示例和详细的模型描述有助于读者快速理解和复现该项目,促进学术和技术交流。建议读者在实践中结合自己的数据集进行调试和优化,以达到最佳的预测效果。
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