poj1017

一、题意:有底面积为1*1,2*2,...,6*6高为h的物品若干,求用最少的包装盒包装好这些物品,其中包装盒的大小固定为底面积6*6,高为h

二、思路:贪心。先放大的,然后用小的尽量去凑满这个包装盒,从6到1类推。我用的是比较暴力的方法,每一种情况都考虑出来,然后模拟。

三、代码:

#include"iostream"
#include"stdio.h"
#include"math.h"
using namespace std;

int num[7];

int Solve()
{
    int res=num[5];
    res+=num[4];
    num[0]-=num[4]*11;
    res+=num[3];
    if(num[1]<num[3]*5)
    {
        num[0]-=(20*num[3]-4*num[1]);
    }
    num[1]-=num[3]*5;
    res+=num[2]/4;
    int numLeave=num[2]%4;
    if(numLeave>0) res++;
    switch(numLeave)
    {
    case 1:
        if(num[1]<5)
        {
            if(num[1]>0)
            {
                num[0]-=(27-num[1]*4);
                num[1]=0;
            }
            else
                num[0]-=27;

        }
        else
        {
            num[1]-=5;
            num[0]-=7;
        }
        break;
    case 2:
        if(num[1]<3)
        {
            if(num[1]>0)
            {
                num[1]=0;
                num[0]-=(18-num[1]*4);
            }
            else
                num[0]-=18;
        }
        else
        {
            num[1]-=3;
            num[0]-=6;
        }
        break;
    case 3:
        if(num[1]<1)
        {
            num[0]-=9;
        }
        else
        {
            num[1]-=1;
            num[0]-=5;
        }
        break;
    default:
        break;
    }
    if(num[1]>0)
    {
        res+=num[1]/9;
        if(num[1]%9>0)
        {
            res++;
            num[0]-=(36-4*(num[1]%9));
        }
    }
    if(num[0]>0)
    {
        res+=ceil(num[0]/36.0);
    }
    return res;
}

int main()
{
    while(true)
    {
        int sum=0;
        for(int i=0;i<6;i++)
        {
            cin>>num[i];
            sum+=num[i];
        }
        if(!sum) break;
        cout<<Solve()<<endl;
    }
    return 0;
}

  

转载于:https://www.cnblogs.com/acm-jing/p/9833172.html

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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