HDOJ 1011 Starship Troopers(树DP)

本文详细阐述了解决特定树形结构问题的方法,即通过派遣星舰士兵清除BUG来获取BRAIN的过程。文章深入探讨了算法实现细节,包括初始化、边添加、深度优先搜索以及动态规划的运用,最终通过实例分析得出最优解。

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

题意描述很纠结,前后WA了数十次……

AC后的理解:给一棵树,每个结点有2个值,bug和brain,要获取brain必先消灭bug,现从结点1出发,给你m个starship troopers,每个starship troopers能对付20个bug,问最多能得到多少brain。在攻克的过程中,对于途中经过的结点,如果该点bug不为0,则要留下一个starship troopers在此结点,否则不需留。对于叶子结点,即使bug为0,也要派starship troopers去收获brain。

data:

5 0
0 1 0 1 0 5 0 1 0 2 1 2 1 3 2 4 2 5
5 2
0 1 0 1 0 5 0 1 0 2 1 2 1 3 2 4 2 5
-1 -1

answer:0 9

View Code
#include <stdio.h>
#include <string.h>
#include <algorithm>
using namespace std;
#define N 110
int n,m,e;
int bug[N],brain[N];
int first[N],next[N<<1],v[N<<1];
int dp[N][N];
void init()
{
    e=0;
    memset(first,-1,sizeof(first));
}
void add(int a,int b)
{
    v[e]=b;
    next[e]=first[a];
    first[a]=e++;
}
void dfs(int a,int fa)
{
    dp[a][0]=0;
    for(int j=1;j<=m;j++)
    {
        dp[a][j]= j>=bug[a] ? brain[a] : 0;
    }
    int i,b;
    bool f=1;
    for(i=first[a];~i;i=next[i])
    {
        b=v[i];
        if(b==fa)   continue;
        if(f)
        {
            if(bug[a]==0)   dp[a][0]=brain[a];
            f=0;
        }
        dfs(b,a);
        for(int j=m;j;j--)
        {
            for(int k=1;j-k>=bug[a];k++)
            {
                dp[a][j]=max(dp[a][j],dp[a][j-k]+dp[b][k]);
            }
        }
    }
}
int main()
{
    int a,b;
    while(scanf("%d%d",&n,&m))
    {
        if(n==-1 && m==-1)  break;
        init();
        for(int i=1;i<=n;i++)
        {
            scanf("%d%d",&bug[i],&brain[i]);
            bug[i]=(bug[i]+19)/20;
        }
        for(int i=1;i<n;i++)
        {
            scanf("%d%d",&a,&b);
            add(a,b);
            add(b,a);
        }
        if(m==0)
        {
            puts("0");  continue;
        }
        dfs(1,0);
        int ans=dp[1][m];
        printf("%d\n",ans);
    }
    return 0;
}

转载于:https://www.cnblogs.com/algorithms/archive/2012/10/10/2717842.html

内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
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