总分

描述

学生在我们USACO的竞赛中的得分越多我们越高兴。
我们试着设计我们的竞赛以便人们能尽可能的多得分,这需要你的帮助。
我们可以从几个种类中选取竞赛的题目,这里的一个"种类"是指一个竞赛题目的集合,解决集合中的题目需要相同多的时间并且能得到相同的分数
你的任务是写一个程序来告诉USACO的职员,应该从每一个种类中选取多少题目,使得解决题目的总耗时在竞赛规定的时间里并且总分最大。
输入包括竞赛的时间,M(1 <= M <= 10,000)(不要担心,你要到了训练营中才会有长时间的比赛)和N,"种类"的数目1 <= N <= 10,000。
后面的每一行将包括两个整数来描述一个"种类":
第一个整数说明解决这种题目能得的分数(1 <= points <= 10000),第二整数说明解决这种题目所需的时间(1 <= minutes <= 10000)。
你的程序应该确定我们应该从每个"种类"中选多少道题目使得能在竞赛的时间中得到最大的分数。
来自任意的"种类"的题目数目可能任何非负数(0或更多)。
计算可能得到的最大分数。

输入

第 1 行: M, N--竞赛的时间和题目"种类"的数目。
第 2-N+1 行: 两个整数:每个"种类"题目的分数和耗时。

输出

单独的一行包括那个在给定的限制里可能得到的最大的分数。

样例输入

300 4
100 60
250 120
120 100
35 20

样例输出

605


#include<iostream>
#include<cstdio>
#include<cstring>
#define MX 10010
using namespace std;
int dp[MX],v[MX],w[MX];
int m,n;
int max(int x,int y)
{
    if(x>y)return x;
    return y;
}
int main()
{
    while(~scanf("%d %d",&m,&n))
    {
        memset(dp,0,sizeof(dp));
        for(int i=1;i<=n;i++)
            scanf("%d %d",&w[i],&v[i]);
        for(int i=1;i<=n;i++)
            for(int j=v[i];j<=m;j++)
             {
                 dp[j]=max(dp[j],dp[j-v[i]]+w[i]);
             }
        printf("%d\n",dp[m]);
    }
    return 0;
}


总分频率法是一种统计分析方法,通常用于评估数据集中元素的重要性或优先级。以下是关于此方法及其IT应用的相关解释和扩展: --- ### 总分频率法的基本概念 总分频率法结合了两个关键指标来衡量某个项目的价值或重要性: - **得分**:表示项目的权重、评分或其他量化值。 - **频率**:表示该项目出现的次数或被提及的频次。 两者综合计算得出一个加权分数,从而帮助决策者更准确地选择最优方案。 --- ### 在IT领域的具体应用场景 #### 数据挖掘中的推荐系统 在构建推荐引擎时,可以利用总分频率法对用户行为进行建模。例如,在电商网站上,某商品可能获得高评价(得分)但购买人数较少(低频率)。通过这种方法,平台能够平衡热门商品与高质量商品之间的推荐比例。 #### 社交媒体趋势分析 社交媒体平台上的话题热度可以通过总分频率法计算。其中,“得分”可能是点赞数、评论数等互动指标;而“频率”则代表帖子的数量或者转发率。最终结果可用于筛选出最具影响力的热点话题。 #### 文本分类与关键词提取 对于自然语言处理任务来说,文档内的词语可以根据其TF-IDF值(词频-逆文档频率)进一步改进为基于总分频率的方法。即除了考虑单词出现次数外,还要加入情感极性得分等因素以提升语义理解能力。 --- ### 示例代码实现 (Python) 下面是一个简单的例子展示如何用 Python 实现基本版本的总分频率排序逻辑: ```python from collections import defaultdict def total_score_frequency(data): scores = defaultdict(float) frequencies = defaultdict(int) for item, score in data: scores[item] += float(score) frequencies[item] += 1 results = [] for key in set(scores).union(frequencies): tsf_value = scores[key] * frequencies[key] results.append((key, tsf_value)) return sorted(results, key=lambda x:x[1], reverse=True) # 测试数据 [(item_name, score)] data = [("A", 5), ("B", 4), ("A", 3), ("C", 2), ("B", 5)] ranked_items = total_score_frequency(data) print(ranked_items) ``` 运行以上脚本会输出按总分乘以频率降序排列的结果列表。 --- ### 注意事项 当实际部署该算法时需要注意以下几点: - 如果某些项仅有极高频率却很低得分,则可能导致不合理结论。因此需设定阈值限制极端情况的影响程度。 - 对于不同业务场景下的定义差异较大,比如金融风控领域里的风险等级评定就需要特别调整参数配置。 ---
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