RQNOJ117_最佳课题选择

本文探讨了如何通过合理选择课题来最小化完成指定数量论文所需的时间,适用于课题数量有限且每篇论文所需时间由特定公式计算的情况。

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

题目描述
NaCN_JDavidQ要在下个月交给老师n篇论文,论文的内容可以从m个课题中选择。由于课题数有限,NaCN_JDavidQ不得不重复选择一些课题。完成不同课题的论文所花的时间不同。具体地说,对于某个课题i,若NaCN_JDavidQ计划一共写x篇论文,则完成该课题的论文总共需要花费Ai*x^Bi个单位时间(系数Ai和指数Bi均为正整数)。给定与每一个课题相对应的Ai和Bi的值,请帮助NaCN_JDavidQ计算出如何选择论文的课题使得他可以花费最少的时间完成这n篇论文。

输入格式
第一行有两个用空格隔开的正整数n和m,分别代表需要完成的论文数和可供选择的课题数。
  以下m行每行有两个用空格隔开的正整数。其中,第i行的两个数分别代表与第i个课题相对应的时间系数Ai和指数Bi。
  对于30%的数据,n<=10,m<=5;
  对于100%的数据,n<=200,m<=20,Ai<=100,Bi<=5。

输出格式
输出完成n篇论文所需要耗费的最少时间。

样例输入
10 3
2 1
1 2
2 1
样例输出
19

//------------------------------------------------------------------------------------------

分析:f[i,j]表示前i篇论文,选了j个课题,花费的最少时间.

首先预处理出t[i,j]表示第i个课题选j篇花费的时间.

转移无非是考虑第i篇论文选1~j中的哪一个课题.

但这时候遇到一个麻烦,新添加的课题我们并不知道之前选了几次.

所以还需要一个数组d[i,j,k]表示f[i,j]状态下,第k个课题选了几篇.

这样转移就方便了.具体见代码.

code:

const oo=10000000000000000;
var   t:array[0..21,0..201] of int64;
      f:array[0..201,0..21] of int64;
      d:array[0..201,0..21,0..21] of longint;
      a,b:array[0..21] of longint;
      n,m,i,j,k,p:longint;
      minx:int64;

      function calc(i,j:longint):int64;
      var   o:longint;
      begin
            calc:=1;
            for o:=1 to b[i] do calc:=calc*j;
            calc:=calc*a[i];
      end;

      function min(a,b:int64):int64;
      begin
            if a>b then exit(b); exit(a);
      end;

begin
      readln(n,m);
      for i:=1 to m do readln(a[i],b[i]);

      for i:=1 to m do
         for j:=1 to n do t[i,j]:=calc(i,j);

      for j:=1 to m do
         for i:=1 to n do
         begin
               minx:=oo;
               for k:=1 to j do
                  if minx>f[i-1,j]-t[k,d[i-1,j,k]]+t[k,d[i-1,j,k]+1] then
                  begin
                        minx:=f[i-1,j]-t[k,d[i-1,j,k]]+t[k,d[i-1,j,k]+1];
                        p:=k;
                  end;
               f[i,j]:=minx;
               d[i,j]:=d[i-1,j];
               d[i,j,p]:=d[i,j,p]+1;
         end;

      writeln(f[n,m]);
end.

转载于:https://www.cnblogs.com/exponent/archive/2011/08/08/2130645.html

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
内容概要:本文详细介绍了哈希表及其相关概念和技术细节,包括哈希表的引入、哈希函数的设计、冲突处理机制、字符串哈希的基础、哈希错误率分析以及哈希的改进与应用。哈希表作为一种高效的数据结构,通过键值对存储数据,能够快速定位和检索。文中讨论了整数键值和字符串键值的哈希方法,特别是字符串哈希中的多项式哈希及其优化方法,如双哈希和子串哈希的快速计算。此外,还探讨了常见的冲突处理方法——拉链法和闭散列法,并提供了C++实现示例。最后,文章列举了哈希在字符串匹配、最长回文子串、最长公共子字符串等问题中的具体应用。 适合人群:计算机科学专业的学生、算法竞赛选手以及有一定编程基础并对数据结构和算法感兴趣的开发者。 使用场景及目标:①理解哈希表的工作原理及其在各种编程任务中的应用;②掌握哈希函数的设计原则,包括如何选择合适的模数和基数;③学会处理哈希冲突的方法,如拉链法和闭散列法;④了解并能运用字符串哈希解决实际问题,如字符串匹配、回文检测等。 阅读建议:由于哈希涉及较多数学知识和编程技巧,建议读者先熟悉基本的数据结构和算法理论,再结合代码实例进行深入理解。同时,在实践中不断尝试不同的哈希策略,对比性能差异,从而更好地掌握哈希技术。
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