7-7 切原木问题

该篇文章介绍了一种算法,如何利用动态规划解决给定原木长度和分段价格表的问题,以找到切割原木并出售分段以获取最大收益的方法。通过计算不同长度组合的最优价格,输出对应原木的最大切割收益。
摘要由CSDN通过智能技术生成

给定一根长度为N米的原木;另有一个分段价格表,给出长度L1,L2,...Li,...Lk米所对应的价格P1,P2...Pk(Li,Pi均为正整数),求切割原木分段出售所能获得的最大收益。
例如,根据下面给出的价格表,

Li12345678910
Pi1589101717202328

若要出售一段8米长的原木,最优解是将其切割为2米和6米的两段,这样可以获得最大收益=L2+L6=5+17=22。而若要出售一段3米长的原木,最优解是根本不要切割,直接售出。

输入格式:

首行输入N,k,紧接着第二行为k个Li(递增有序)和第三行对应的k个Pi值。
(0<N,k<1000) 。

输出格式:

对应原木的最大切割收益(题目中保证最大收益值在int范围)。

输入样例:

在这里给出一组输入。例如:

8 10
1 2 3 4 5  6  7  8  9  10
1 5 8 9 10 17 17 20 23 28

输出样例:

在这里给出相应的输出。例如:

22
#include<bits/stdc++.h>
using namespace std;
int main()
{
  int n,k;
  cin>>n>>k;
  int dp[1010]={0};
  int i,j;
  pair<int,int> a[k+1];
  for(i=1;i<=k;i++)
    cin>>a[i].first;
  for(i=1;i<=k;i++)
    cin>>a[i].second;
  for(i=1;i<=k;i++)
      dp[a[i].first]=a[i].second;
  for(i=a[1].first+1;i<=n;i++)
  {
      for(j=1;j<=i;j++)
      {
          if(dp[j]!=0&&dp[i-j]!=0)
              dp[i]=max(dp[i],dp[j]+dp[i-j]);
      }
  }
  printf("%d",dp[n]);
  return 0;
}
  • 4
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
原木识别的代码需要使用图像处理和机器学习技术,以下是一个基本的流程示例: 1. 准备数据集。这个数据集需要包含原木的图片和对应的标签,标签可以是原木的种类或者处理后的尺寸等信息。 2. 数据预处理。将数据集中的图片进行预处理,如裁剪、缩放、增强等操作,以便于后续的模型训练。 3. 特征提取。从预处理后的图片中提取特征,如颜色、纹理、形状等。 4. 模型训练。使用机器学习算法,如支持向量机(SVM)、随机森林(Random Forest)等,对提取的特征进行训练,生成一个原木分类模型。 5. 模型测试。使用测试集对模型进行测试和评估,检查模型的准确性和性能。 以下是一个简单的Python代码示例: ```python import cv2 import os import numpy as np from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier # 1. 准备数据集 data = [] labels = [] for filename in os.listdir('wood_images'): img = cv2.imread('wood_images/'+filename) img = cv2.resize(img, (100, 100)) data.append(img) labels.append(filename.split('_')[0]) # 假设文件名格式为 "种类_编号.jpg" # 2. 数据预处理 data = np.array(data) data = data.reshape(data.shape[0], -1).astype(np.float32) data /= 255.0 # 3. 特征提取 # 可以使用图像处理库如OpenCV来提取图像特征 # 4. 模型训练 train_data, test_data, train_labels, test_labels = train_test_split(data, labels, test_size=0.2, random_state=42) rfc = RandomForestClassifier(n_estimators=100, max_depth=10, random_state=42) rfc.fit(train_data, train_labels) # 5. 模型测试 score = rfc.score(test_data, test_labels) print("Accuracy:", score) ``` 这个示例使用了随机森林算法进行原木分类,你可以根据实际情况选择更适合的算法。
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