砍树(贪心)

1.题目

为了在农场的一块土地上种奶牛吃的草,FJ必须要把前面的N棵树砍掉,这些树紧密地排成一条直线,并且用l~N编号标识,每一棵树都有自己的高度Hi(1≤Hi≤10000)。
FJ想用一种烈性炸药来摧毁这些树,这种烈性炸药除了能摧毁安装了炸药的那棵树以外还能传递压倒两边矮于这一棵树的所有邻近树,直到遇到一棵不低于这一棵树的树为止。
例如:一排树的高度如下:1 2 5 4 3 3 6 6 2,如果FJ在第三棵树上装炸药(高度为5),那么第二棵树也同样给压倒(高度为2<5),第一棵树也同样倒下(高度为1<2),再来看另一边第四棵树(高度为4<5)和第五棵树(高度为3<4)同样也给压倒。剩下的状态为:* * * * * 3 6 6 2,接下来在第7和第8棵树上安装炸药就可以把剩下的树毁掉。
请你帮助Fj利用最少的炸药把这些树毁掉。

输入
第1行:一个整数N(1≤N≤50000);
第2~N+1行:包含各棵树的高度Hi。
输出
l~?行:每一行为一个整数,代表安装炸药的树的编号,按照升序输出。

  • 样例输入
    9
    1
    2
    5
    4
    3
    3
    6
    6
    2
  • 样例输出
    3
    7
    8

2.思路

想法起始很简单,我的想法是:每次找到一个最大的数(允许它后面的数跟它一样),然后前面肯定都没了,后面再找,只要存在a[i]<=a[i+1],就说明这个炸弹已经用完了,这样的想法一直找下去,找到最后一个就得了

3.WA掉的代码

  • 正所谓:想要加入acm,得先去wam逛一圈。wa掉的代码如下
#include <iostream>
#include<bits/stdc++.h>
using namespace std;
int a[500000],n,b[500000],cnt,k;
int main()
{
    cin>>n;
    int i;
    for(i=0;i<n;i++)cin>>a[i];
    i=0;
    for(;i<n-1;i++)
    {
        if(a[i]>=a[i+1])
        {
            b[cnt++]=i+1;
            for(;i<n-1;i++)
            {
                if(a[i]<=a[i+1])
                {
                    break;
                }
            }
        }
    }
    for(i=0;i<cnt;i++)
    {
        cout<<b[i]<<endl;
    }
    return 0;
}

自我感觉良好,但是wa掉了,经过思考,换了一组样例,将n=10,在原有样例的后面又加了一个2,但是结果仍然是3 7 8,那么问题得到解决,遍历的过程中没有有效地对最后一个数据进行处理

4.AC代码

#include <iostream>
#include<bits/stdc++.h>
using namespace std;
int a[500000],n,b[500000],cnt,k;
int main()
{
    cin>>n;
    int i;
    for(i=0;i<n;i++)cin>>a[i];
    i=0;
    for(;i<n-1;i++)
    {
        if(a[i]>=a[i+1])
        {
            b[cnt++]=i+1;
            for(;i<n-1;i++)
            {
                if(a[i]<=a[i+1])
                {
                    break;
                }
            }
        }
    }
    if(a[n-2]<=a[n-1])b[cnt++]=n;
    for(i=0;i<cnt;i++)
    {
        cout<<b[i]<<endl;
    }
    return 0;
}

5.代码优化

同样的思想,代码优化为下述:

#include<bits/stdc++.h>
using namespace std;
int main()
{
    int n,a[50005],i;
    cin>>n;
    for(i=0;i<n;i++)cin>>a[i];
    for(i=0;i<n;i++)
    {
        for(;a[i]<a[i+1];i++);
        cout<<i+1<<endl;
        for(;a[i]>a[i+1];i++);
    }
    return 0;
}
### 决策贪心算法的实现与应用 #### 贪心算法在决策中的作用机制 在构建决策的过程中,贪心算法用于选择最佳属性来分裂节点。这一过程遵循局部最优原则,即每一步都选择当前看来最好的选项,期望最终达到全局最优解[^2]。 对于ID3、C4.5和CART等常见的决策算法而言,其核心在于如何评估并挑选出最适合用来分割数据集的那个特征。具体来说: - **ID3算法** 使用信息增益作为衡量标准; - **C4.5算法** 改进了ID3的信息增益率; - **CART算法** 则采用基尼指数来进行评价。 这些指标均体现了贪心策略的思想——总是优先选取能带来最大收益(最小不确定性减少量)或纯度提升最大的那个特性进行分支创建[^1]。 #### Python代码示例:基于贪心算法的决策训练 下面是一个简单的Python程序片段,展示了利用`sklearn`库中的`DecisionTreeClassifier`类来建立一棵二叉分类决策的过程。此过程中,默认采用了某种形式的贪心搜索以找到最优切分点。 ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier, plot_tree import matplotlib.pyplot as plt # 加载鸢尾花数据集 data = load_iris() X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.3) # 创建决策实例,并指定使用熵(Entropy)作为质量测量准则 clf = DecisionTreeClassifier(criterion='entropy') # 训练模型 clf.fit(X_train, y_train) # 可视化生成的决策结构 plt.figure(figsize=(12,8)) plot_tree(clf, filled=True, feature_names=data.feature_names, class_names=data.target_names) plt.show() print(f'Accuracy on training set: {clf.score(X_train, y_train):.3f}') print(f'Accuracy on testing set: {clf.score(X_test, y_test):.3f}') ``` 上述例子中使用的`criterion='entropy'`参数指定了信息增益的标准;而在其他场景下也可以设置为`gini`以启用Gini不纯度作为评判依据。无论是哪种情况,内部逻辑都是通过迭代比较各个可能的切割方案,从而选出能使目标函数值最大化/最小化的那一个,这正是典型的贪心做法。 #### 应用案例分析 假设在一个医疗诊断系统里想要预测患者是否患有糖尿病,则可以通过收集病人的各项生理指标(如年龄、体重指数BMI、血压水平等),运用决策配合贪心算法自动挖掘潜在规律,帮助医生更加快捷准确地下达初步判断意见。随着更多临床经验积累和技术进步,此类系统的性能还有望进一步提高,成为辅助诊疗的重要工具之一。
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