ZOJ 1409 communication system 双变量型的DP

本文探讨了一种涉及背包问题的设备选择优化问题,通过枚举和动态规划的方法,实现设备与器材的选择以最大化FB/FP值。文章详细介绍了算法步骤,包括数据排序、枚举与动态规划的应用,并提供了代码实现。

这个题目一开始不知道如何下手,感觉很像背包,里面有两个变量,一个带宽B,一个价格P,有n个设备,每个设备有k个可选的器材(只需选一个),每个器材都有自己的B和P,

n个设备选n个器材,最终,FB=所有器材里最小的B,FP=总的价格,要使得FB/FP最大

这种题目得先把一个变量给控制起来,或者说枚举其中一个变量之后,再通过dp的方法得到另一个变量的最优值,千万别想一步登天

像这个题目,我们如果先把每个设备对应的器材按价格升序排序,然后我枚举可能的FB,对于每个设备,我从前往后扫,一旦扫到了B>=FB(合法数据),就停止,取该值,最后扫完整个n个设备,得到的值必定是我枚举 的FB对应的最大FB/FP,这个显而易见嘛。。因为数据量不大,所以可以用。当然我算了下峰值的复杂度可以达到10的8次方,但是其实达不到,其中很难每个循环都运行完。

其实这样看来倒不像DP了,其实是暴力枚举了

#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <vector>
using namespace std;
struct node
{
    int b,v;
    bool operator < (const node&rhs) const{
        return v<rhs.v;
    }
};
vector<node>G[110];
int B[10010];
int n,cnt;
int main()
{
    int t;
    scanf("%d",&t);
    while (t--)
    {
        cnt=0;
        scanf("%d",&n);
        for (int i=0;i<=n;i++) G[i].clear();
        for (int i=1;i<=n;i++){
            int k,a,b;
            scanf("%d",&k);
            while (k--){
                scanf("%d%d",&a,&b);
                B[cnt++]=a;
                G[i].push_back((node){a,b});
            }
            sort(G[i].begin(),G[i].end());
        }
        sort(B,B+cnt);
        int m=0;
        for (int i=1;i<cnt;i++){
            if (B[i]!=B[i-1]) B[++m]=B[i];
        }
        double ans=0.0;
        for (int i=0;i<=m;i++){
            bool flag=1;
            double sum=0;
            for (int j=1;j<=n && flag;j++){
                int r=G[j].size();
                for (int k=0;k<r;k++){
                    if (G[j][k].b>=B[i]){
                        sum+=(double)G[j][k].v;
                        break;
                    }
                    if (k==r-1 && G[j][k].b<B[i])flag=0;
                }
            }
            if (!flag) continue;
            ans=max(ans,(double)B[i]*1.0/sum);
        }
        printf("%.3f\n",ans);
    }
    return 0;
}

  

转载于:https://www.cnblogs.com/kkrisen/p/3932974.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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