区间dp——zoj 3469 Food Delivery

本文介绍了一种通过动态规划算法优化外卖配送顺序的方法,旨在减少顾客等待时间并降低其不满情绪累积,实现高效配送。

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

题目链接

题意:

有一家快餐店送外卖,现在同时有n个家庭打进电话订购,送货员得以1/V的速度一家一家的运送,但是每一个家庭都有一个不开心的值,每分钟都会增加一倍,值达到一定程度,该家庭将不会再订购外卖了,现在为了以后有更多的家庭订购,要将外卖送到的情况下使得所有用户的不开心值总和达到最小

思路:

 很明显,每多走一分钟,没送到的家庭的不开心值都会加倍,
    假设是这样的顺序123X456,从X出发先往左右中间靠近的送,再往两边送省时间
        dp[i][j][0]表示从i到j用户送到最小不开心值,此时送货员停留在左边即i位置
        dp[i][j][1]表示从i到j用户送到最小不开心值,此时送货员停留在右边即j位置
    状态有四种,
     dp[i][j][0]=min(dp[i][j][0],dp[i+1][j][0]+(a[i+1].x-a[i].x)*(delay+a[i].v));
     dp[i][j][0]=min(dp[i][j][0],dp[i+1][j][1]+(a[j].x-a[i].x)*(delay+a[i].v));
     dp[i][j][1]=min(dp[i][j][1],dp[i][j-1][0]+(a[j].x-a[i].x)*(delay+a[j].v));
     dp[i][j][1]=min(dp[i][j][1],dp[i][j-1][1]+(a[j].x-a[j-1].x)*(delay+a[j].v));
代码:

#include<stdio.h>
#include<string.h>
#include<algorithm>
#include<iostream>
using namespace std;
#define N 1005
#define INF 0x7ffffff
int dp[N][N][2];
int n,V,X;
int sum[N];
struct node
{
    int x;
    int v;
}a[N];
int cmp(node b,node c)
{
    return b.x<c.x;//按照位置将其从小到大排序
}
int Delay(int l,int r)
{
    if(l>r)
        return 0;
    return sum[r]-sum[l-1];
}
void DP()
{
    int res;
    for(int i=1; i<=n; i++)
    {
        for(int j=1; j<=n; j++)
            dp[i][j][0]=dp[i][j][1]=INF;
    }
    for(int i=1; i<=n; i++)
    {
        if(a[i].x==X)
        {
            res=i;//记录起始点的位置
            break;
        }
    }
    dp[res][res][0]=dp[res][res][1]=0;
像这种区间dp的题,大部分就是从中间的某一个点往两边搜
    for(int i=res; i>=1; i--)//i循环restaurant左边的
    {
        for(int j=res; j<=n; j++)//j循环restaurant右边的
        {
            int delay=Delay(1,i-1)+Delay(j+1,n);
            if(i==j)
                continue;
       dp[i][j][0]=min(dp[i][j][0],dp[i+1][j][0]+(a[i+1].x-a[i].x)*(delay+a[i].v));
       dp[i][j][0]=min(dp[i][j][0],dp[i+1][j][1]+(a[j].x-a[i].x)*(delay+a[i].v));
       dp[i][j][1]=min(dp[i][j][1],dp[i][j-1][0]+(a[j].x-a[i].x)*(delay+a[j].v));
       dp[i][j][1]=min(dp[i][j][1],dp[i][j-1][1]+(a[j].x-a[j-1].x)*(delay+a[j].v));
        }
    }
}
int main()
{
    while(scanf("%d%d%d",&n,&V,&X)!=EOF)
    {
        for(int i=1; i<=n; i++)
        {
            scanf("%d%d",&a[i].x,&a[i].v);
        }
        a[n+1].x=X;
        a[n+1].v=0;
        n++;
        sort(a+1,a+n+1,cmp);
        memset(sum,0,sizeof(sum));
        for(int i=1; i<=n; i++)
        {
            sum[i]=sum[i-1]+a[i].v;  //这样的目的是算一个区间的愤怒值的和较方便
        }
        DP();
        printf("%d\n",min(dp[1][n][0],dp[1][n][1])*V);//因为速度是1/V meter/minute所以默认速度为1m/s,直接乘V即可
    }
    return 0;
}




内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
评论 3
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