P2938 [USACO09FEB]股票市场Stock Market

本文介绍了一种基于股票价格预测的投资策略,旨在通过优化买卖决策来最大化收益。以2只股票及3天价格为例,展示了如何利用初始资金实现利益最大化。

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

Description

尽管奶牛们天生谨慎,她们仍然在住房抵押信贷市场中受到打击,现在她们开始着手于股市。 Bessie很有先见之明,她不仅知道今天S (2 <= S <= 50)只股票的价格,还知道接下来一共D(2 <= D <= 10)天的(包括今天)。 给定一个D天的股票价格矩阵(1 <= 价格 <= 1000)以及初始资金M(1 <= M <= 200,000),求一个最优买卖策略使得最大化总获利。每次必须购买股票价格的整数倍,同时你不需要花光所有的钱(甚至可以不花)。这里约定你的获利不可能超过500,000。 考虑这个牛市的例子(这是Bessie最喜欢的)。在这个例子中,有S=2只股票和D=3天。奶牛有10的钱来投资。 今天的价格 | 明天的价格 | | 后天的价格 股票 | | | 1 10 15 15 2 13 11 20   以如下策略可以获得最大利润,第一天买入第一只股票。第二天把它卖掉并且迅速买入第二只,此时还剩下4的钱。最后一天卖掉第二只股票,此时一共有4+20=24的钱。

Input

第一行: 三个空格隔开的整数:S, D, M

第2..S+1行: 行s+1包含了第s只股票第1..D天的价格

Output

第一行: 最后一天卖掉股票之后最多可能的钱数。
Sample Input

2 3 10

10 15 15

13 11 20

Sample Output

24

#include <cstdio>
#include <cstring>
#include <iostream>
#include <algorithm>
#define N 101000
#define M 16
using namespace std;
int s,d,m;
int duan2[1005][1005];
int f[500005];
int main(){
     scanf("%d%d%d",&s,&d,&m);
     for(int i=1;i<=s;i++){
        for(int j=1;j<=d;j++){
            scanf("%d",&duan2[i][j]);
        }
     }
     int mx=m;
     for(int i=1;i<=d-1;i++){
        memset(f,0,sizeof(f));
        for(int t=1;t<=s;t++){
            for(int k=duan2[t][i];k<=mx;k++)
             f[k]=max(f[k-duan2[t][i]]+duan2[t][i+1]-duan2[t][i],f[k]);
        }
        mx+=f[mx];
     }
     printf("%d",mx);
    return 0;
}

跑完全背包每天一个

### 解题思路 此问题的核心在于通过 **二维差分** 和 **前缀和** 的方法来高效计算被指定层数 $ K $ 涂漆覆盖的区域大小。以下是详细的分析: #### 1. 题目背景 农夫约翰希望在他的谷仓上涂油漆,目标是找到最终被恰好 $ K $ 层油漆覆盖的总面积。给定若干矩形区域及其对应的涂漆操作,我们需要统计这些操作完成后满足条件的区域。 #### 2. 差分法的应用 为了快速更新多个连续单元格的状态并查询其总和,可以采用 **二维差分** 技术。具体来说: - 初始化一个二维数组 `diff` 来表示差分矩阵。 - 对于每一个矩形 $(x_1, y_1)$ 到 $(x_2, y_2)$,我们可以通过如下方式更新差分矩阵: ```python diff[x1][y1] += 1 diff[x1][y2 + 1] -= 1 diff[x2 + 1][y1] -= 1 diff[x2 + 1][y2 + 1] += 1 ``` 上述操作的时间复杂度仅为常数级别 $ O(1) $,因此非常适合大规模数据集的操作[^1]。 #### 3. 前缀和恢复原矩阵 完成所有矩形的差分更新后,利用前缀和算法还原实际的涂漆次数矩阵 `paints`。对于每个位置 $(i,j)$,执行以下操作: ```python for i in range(1, n + 1): for j in range(1, m + 1): paints[i][j] = (paints[i - 1][j] + paints[i][j - 1] - paints[i - 1][j - 1] + diff[i][j]) ``` 这里需要注意边界条件以及初始值设置为零的情况[^4]。 #### 4. 统计符合条件的区域 最后遍历整个 `paints` 数组,累加那些等于 $ K $ 的元素数量即可得到答案。 --- ### 实现代码 下面是基于以上理论的一个 Python 实现版本: ```python def painting_the_barn(): import sys input_data = sys.stdin.read().splitlines() N, K = map(int, input_data[0].split()) max_x, max_y = 0, 0 rectangles = [] for line in input_data[1:]: x1, y1, x2, y2 = map(int, line.split()) rectangles.append((x1, y1, x2, y2)) max_x = max(max_x, x2) max_y = max(max_y, y2) # Initialize difference array with extra padding to avoid boundary checks. size = max(max_x, max_y) + 2 diff = [[0]*size for _ in range(size)] # Apply all rectangle updates using the difference method. for rect in rectangles: x1, y1, x2, y2 = rect diff[x1][y1] += 1 diff[x1][y2 + 1] -= 1 diff[x2 + 1][y1] -= 1 diff[x2 + 1][y2 + 1] += 1 # Compute prefix sums from differences to get actual paint counts. paints = [[0]*size for _ in range(size)] result = 0 for i in range(1, size): for j in range(1, size): paints[i][j] = ( diff[i][j] + paints[i - 1][j] + paints[i][j - 1] - paints[i - 1][j - 1] ) if paints[i][j] == K: result += 1 return result print(painting_the_barn()) # Output final answer as per sample output format. ``` --- ### 结果验证 按照样例输入测试该程序能够正确返回预期的结果即8单位面积被两层涂料所覆盖[^2]。 --- ### 性能优化建议 如果进一步追求效率还可以考虑压缩坐标范围减少内存消耗或者使用更底层的语言实现核心逻辑部分比如 C++ 或 Java 等[^3]。
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