POJ 1088 滑雪

这几天做的动态规划题差不多都是最长公共子序列的类型的。而这道滑雪题和前面做的那些题目就有些不一样。这一题不仅仅是动态规划,还用到了递归。

一开始看到这道题就知道是动态规划,只是苦于没有思路。查了一下解题报告,看到是动归+递归就有了思路。然后很快就写出了代码。

该注意的几点是初始化的时候,f.now 应该是等于1,而不是0,只有自己一个点的话长度是1.  还有就是在动归的部分,不是一次就够了。需要检查一下是不是每个点都计算过了。计算过的点要做标记,不能重复计算,否则结果就出错了。下面是我的代码:

#include<iostream>
#include<cstdlib>
using namespace std;

int row, col;
int ml = -1;
class DD{
public:
	int h;
	int now;
	bool ju;
	DD() {h = 0; now = 1; ju = 0;}
};

int max(int a, int b)
{
	return a > b? a : b;
}

int DP(int pi, int pj, DD f[][110])
{
	if(f[pi][pj].ju)
		return f[pi][pj].now;
	f[pi][pj].ju = 1;
	int m1, m2, m3, m4;
	m1 = m2 = m3 = m4 = 0;
	if(pi && f[pi][pj].h > f[pi - 1][pj].h)
		m1 = DP(pi - 1, pj, f);
	if(pj && f[pi][pj].h > f[pi][pj - 1].h)
		m2 = DP(pi, pj - 1, f);
	if(pi < row - 1 && f[pi][pj].h > f[pi + 1][pj].h)
		m3 = DP(pi + 1, pj, f);
	if(pj < col - 1 && f[pi][pj].h > f[pi][pj + 1].h)
		m4 = DP(pi, pj + 1, f);
	f[pi][pj].now += max(max(m1, m2), max(m3, m4));
	ml = ml > f[pi][pj].now ? ml : f[pi][pj].now;
	return f[pi][pj].now;
}

int main()
{
	while(cin >> row >> col)
	{
		DD f[110][110];
		ml = -1;
		for(int i = 0; i < row; ++i)
		{
			for(int j = 0; j < col; ++j)
				cin >> f[i][j].h;
		}
		for(int i = 0; i < row; ++i)
		{
			for(int j = 0; j < col; ++j)
				if(f[i][j].ju == 0)
					DP(i, j, f);
		}
		cout << ml << endl;
	}
	return 0;
}


 

题目描述 给出一个$n\times m$的矩阵,每个位置上有一个非负整数,代表这个位置的海拔高度。一开始时,有一个人站在其中一个位置上。这个人可以向上、下、左、右四个方向移动,但是只能移动到海拔高度比当前位置低或者相等的位置上。一次移动只能移动一个单位长度。定义一个位置为“山顶”,当且仅当从这个位置开始移动,可以一直走到海拔高度比它低的位置上。请问,这个矩阵中最多有多少个“山顶”? 输入格式 第一行两个整数,分别表示$n$和$m$。 接下来$n$行,每行$m$个整数,表示整个矩阵。 输出格式 输出一个整数,表示最多有多少个“山顶”。 样例输入 4 4 3 2 1 4 2 3 4 3 5 6 7 8 4 5 6 7 样例输出 5 算法1 (递归dp) $O(nm)$ 对于这道题,我们可以使用递归DP来解决,用$f(i,j)$表示以$(i,j)$为起点的路径最大长度,那么最后的答案就是所有$f(i,j)$中的最大值。 状态转移方程如下: $$ f(i,j)=\max f(x,y)+1(x,y)是(i,j)的下一个满足条件的位置 $$ 注意:这里的状态转移方程中的$x,y$是在枚举四个方向时得到的下一个位置,即: - 向上:$(i-1,j)$ - 向下:$(i+1,j)$ - 向左:$(i,j-1)$ - 向右:$(i,j+1)$ 实现过程中需要注意以下几点: - 每个点都需要搜一遍,因此需要用双重for循环来枚举每个起点; - 对于已经搜索过的点,需要用一个数组$vis$来记录,防止重复搜索; - 在进行状态转移时,需要判断移动后的点是否满足条件。 时间复杂度 状态数为$O(nm)$,每个状态转移的时间复杂度为$O(1)$,因此总时间复杂度为$O(nm)$。 参考文献 C++ 代码 算法2 (动态规划) $O(nm)$ 动态规划的思路与递归DP类似,只不过转移方程和实现方式有所不同。 状态转移方程如下: $$ f(i,j)=\max f(x,y)+1(x,y)是(i,j)的下一个满足条件的位置 $$ 注意:这里的状态转移方程中的$x,y$是在枚举四个方向时得到的下一个位置,即: - 向上:$(i-1,j)$ - 向下:$(i+1,j)$ - 向左:$(i,j-1)$ - 向右:$(i,j+1)$ 实现过程中需要注意以下几点: - 每个点都需要搜一遍,因此需要用双重for循环来枚举每个起点; - 对于已经搜索过的点,需要用一个数组$vis$来记录,防止重复搜索; - 在进行状态转移时,需要判断移动后的点是否满足条件。 时间复杂度 状态数为$O(nm)$,每个状态转移的时间复杂度为$O(1)$,因此总时间复杂度为$O(nm)$。 参考文献 C++ 代码
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