bzoj1571 滑雪课

Description

Farmer John 想要带着 Bessie 一起在科罗拉多州一起滑雪。很不幸,Bessie滑雪技术并不精湛。 Bessie了解到,在滑雪场里,每天会提供S(0<=S<=100)门滑雪课。第i节课始于M_i(1<=M_i<=10000),上的时间为L_i(1<=L_i<=10000)。上完第i节课后,Bessie的滑雪能力会变成A_i(1<=A_i<=100). 注意:这个能力是绝对的,不是能力的增长值。 Bessie买了一张地图,地图上显示了N(1 <= N <= 10,000)个可供滑雪的斜坡,从第i个斜坡的顶端滑至底部所需的时长D_i(1<=D_i<=10000),以及每个斜坡所需要的滑雪能力C_i(1<=C_i<=100),以保证滑雪的安全性。Bessie的能力必须大于等于这个等级,以使得她能够安全滑下。 Bessie可以用她的时间来滑雪,上课,或者美美地喝上一杯可可汁,但是她必须在T(1<=T<=10000)时刻离开滑雪场。这意味着她必须在T时刻之前完成最后一次滑雪。 求Bessie在实现内最多可以完成多少次滑雪。这一天开始的时候,她的滑雪能力为1.

Input

第1行:3个用空格隔开的整数:T, S, N。

第2~S+1行:第i+1行用3个空格隔开的整数来描述编号为i的滑雪课:M_i,L_i,A_i。

第S+2~S+N+1行:

第S+i+1行用2个空格隔开的整数来描述第i个滑雪坡:C_i,D_i。

Output

一个整数,表示Bessie在时间限制内最多可以完成多少次滑雪。

Sample Input

10 1 2
3 2 5
4 1
1 3

Sample Output

6

HINT

滑第二个滑雪坡1次,然后上课,接着滑5次第一个滑雪坡。

Source

Gold 

题解

简单多重背包(严格来说不算吧23333333)

#include <stdio.h>
#include <algorithm>
#include <string.h>
using namespace std;
const int maxn=107;
int t1[maxn],t2[maxn],l1[maxn];
int l2[10007],tt[10007];
int dp[10007][maxn];
int b[maxn];
int main(){
	memset(b,127/3,sizeof(b));
	int t,n,m;
	scanf("%d%d%d",&t,&n,&m);
	for(int i=1;i<=n;i++)
	{
		scanf("%d%d%d",&t1[i],&t2[i],&l1[i]);
	}
	for(int i=1;i<=m;i++)
	scanf("%d%d",&l2[i],&tt[i]),b[l2[i]]=min(b[l2[i]],tt[i]);
	for(int i=1;i<=100;i++)
	{
		b[i]=min(b[i],b[i-1]);
	}
	for(int i=0;i<=t;i++)
	for(int k=1;k<=100;k++)
	dp[i][k]=-1;
	dp[0][1]=0;
	for(int i=0;i<t;i++){
		for(int k=1;k<=100;k++)
		{
			if(dp[i][k]==-1) continue;
			dp[i+1][k]=max(dp[i+1][k],dp[i][k]);
			if(i+b[k]<=t) dp[i+b[k]][k]=max(dp[i+b[k]][k],dp[i][k]+1);
			for(int z=1;z<=n;z++)
			if(i>=t1[z]&&i+t2[z]<=t) dp[i+t2[z]][l1[z]]=max(dp[i+t2[z]][l1[z]],dp[i][k]);
		}
	}
	int ans=0;
	for(int i=1;i<=100;i++)
	ans=max(ans,dp[t][i]);
	printf("%d",ans);
	return 0;
}


基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
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