洛谷P1048 采药

本文通过一个01背包问题实例,对比了深度优先搜索(DFS)与动态规划(DP)两种算法的效率。通过对辰辰采药问题的解决,展示了在数据规模较大时,DP算法相较于DFS的优势。

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

题目描述
辰辰是个天资聪颖的孩子,他的梦想是成为世界上最伟大的医师。为此,他想拜附近最有威望的医师为师。医师为了判断他的资质,给他出了一个难题。医师把他带到一个到处都是草药的山洞里对他说:“孩子,这个山洞里有一些不同的草药,采每一株都需要一些时间,每一株也有它自身的价值。我会给你一段时间,在这段时间里,你可以采到一些草药。如果你是一个聪明的孩子,你应该可以让采到的草药的总价值最大。”

如果你是辰辰,你能完成这个任务吗?

输入输出格式
输入格式:
第一行有22个整数T(1 \le T \le 1000)T(1≤T≤1000)和M(1 \le M \le 100)M(1≤M≤100),用一个空格隔开,TT代表总共能够用来采药的时间,MM代表山洞里的草药的数目。
接下来的MM行每行包括两个在11到100100之间(包括11和100100)的整数,分别表示采摘某株草药的时间和这株草药的价值。

输出格式:
11个整数,表示在规定的时间内可以采到的草药的最大总价值。

输入输出样例
输入样例
70 3
71 100
69 1
1 2
输出样例
3
——摘自洛谷
看了题,我一脸懵逼,这不是01一背包吗?在读一遍题,我相信我没看错。
01背包已经在另一篇里讲过了。但这次是论证DFS与动态规划的差别。
首先是DFS:

#include<bits/stdc++.h>
using namespace std;
int a[1000],b[1000];
int ans=0;
int n,m;
void dfs(int s,int ss,int x){
	if(x>n){
		ans=max(ans,ss);
		return ;
	}
	if(s+a[x]<=m){
		dfs(s+a[x],ss+b[x],x+1);
	} 
	dfs(s,ss,x+1);
}
int main(){
    cin >> m >> n;
	for(int i=1;i<=n;i++){
		cin >> a[i]>>b[i];
	}	
	dfs(0,0,0);
	cout << ans;
 	return 0;
}

结果。。。
在这里插入图片描述
蒟蒻逃不过TLE的命运。。。(但我没试过记忆化搜索,可能记忆化搜索能过)
TLE的结果很明显,数据一大,深搜就要搜很多层,自然TLE。
那我们尝试一下DP的方式。

#include<bits/stdc++.h>
using namespace std;

int a[1010],b[1010];
int dp[1010][1010];
int n,m;
int v;
int main(){
	cin >> m>>n;
	for(int i=1;i<=n;i++){
			cin >> a[i]>>b[i];
	}
	for(int i=1;i<=n;i++){
		for(int j=m;j>0;j--){
		    if(a[i]<=j){
			dp[i][j]=max(dp[i-1][j],dp[i-1][j-a[i]]+b[i]); 
	    }else{
	    	dp[i][j]=dp[i-1][j];
	    	} 
		}
	}
	cout << dp[n][m];
	return 0;
}

在这里插入图片描述
嗯,AC了。
也就是说,爆搜代码简洁,但在数据范围小时,才能AC全部,但数据大时,DP更加有效。

### 洛谷 P1048 采药 的代码实现与解题思路 #### 解题背景 洛谷 P1048 是一道经典的 **0-1 背包问题**,题目描述为:给定一定的时间 `T` 和若干种草药 `(wi, vi)`,每种草药有一个采集时间 `wi` 和价值 `vi`。求在不超过总时间的情况下,能够获得的最大价值。 --- #### 动态规划的核心思想 该问题可以通过动态规划解决。定义状态 `dp[i][j]` 表示从前 `i` 种草药中选取,在剩余时间为 `j` 的情况下可以获得的最大价值。其状态转移方程为: \[ dp[i][j] = \begin{cases} dp[i-1][j],& 若 j < w_i \\ \max(dp[i-1][j], dp[i-1][j-w_i]+v_i),& 若 j \geq w_i \end{cases} \] 其中: - 如果当前草药无法被选入,则继承之前的状态; - 否则取两种情况中的较大值:不选择当前草药或选择当前草药后的最大价值。 此过程可以用二维数组完成,也可以进一步优化为空间复杂度更低的一维数组形式[^3]。 --- #### 完整代码实现 以下是基于一维数组优化的 C++ 实现版本: ```cpp #include <iostream> using namespace std; int main() { int T, N; cin >> T >> N; // 输入总时间和草药品种数量 int weight[N + 1], value[N + 1]; for (int i = 1; i <= N; ++i) { cin >> weight[i] >> value[i]; // 输入每种草药的重量和价值 } int dp[T + 1]; // 使用一维数组存储 DP 值 fill(dp, dp + T + 1, 0); // 初始化为 0 for (int i = 1; i <= N; ++i) { // 枚举每一种草药 for (int j = T; j >= weight[i]; --j) { // 反向更新以避免重复计算 dp[j] = max(dp[j], dp[j - weight[i]] + value[i]); } } cout << dp[T]; // 输出最终结果 return 0; } ``` --- #### 关键点解析 1. **初始化** 数组 `dp[]` 初始全设为零,代表没有任何物品时的价值也为零[^4]。 2. **反向遍历** 在处理每一类草药时采用倒序遍历的方式(即从大到小),防止同一草药多次加入背包的情况发生[^3]。 3. **边界条件** 当剩余容量不足以放入某件商品时 (`j < wi`) ,直接跳过;否则比较是否应该将这件商品纳入考虑范围之内并更新对应位置上的最优解[^1]。 --- #### 时间与空间复杂度分析 - **时间复杂度**: O(N * T),因为需要双重循环分别枚举每一个物品以及可能使用的全部容量。 - **空间复杂度**: 经过优化后仅需额外开辟大小等于目标容量加一的空间即可满足需求,因此为O(T)[^4]。 ---
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