二分算法题目训练(三)——Anton and Making Potions详解

二分算法题目训练(三)——Anton and Making Potions详解

codeforces734C——Anton and Making Potions详解

  • Anton and Making Potions
  • 题目描述(google翻译)

    • 安东正在玩一个非常有趣的电脑游戏,但现在他被困在其中一个级别。为了进入下一个级别,他必须准备n个药水。

      安东有一个特殊的水壶,可以在x秒内准备一个魔药。此外,他知道两种类型的法术可以加快准备魔药的过程。

      这种类型的法术加速了一种魔药的准备时间。有这种类型的m个法术,其中第i个成本为bi manooints并且将每个药水的准备时间改为ai而不是x。
      这种类型的法术立即准备了一些魔药。有这样的法术,其中第i个成本为di manapoints并立即创造ci药水。
      安东可以使用不超过一种类型的第一种类型的咒语和不超过一种第二种类型的咒语,并且消耗的总数不应超过s。考虑到所有法术都会在安东开始准备魔药之前立即使用。

      安东希望尽可能快地达到一个新的水平,所以他感兴趣的是他需要花费最少的时间来准备至少n个药水。

  • 输入
输入的第一行包含三个整数n,m,k(1≤n≤2·109,1≤m,k≤2·105) - 安东必须制作的药水数量,咒语的数量第一种类型和第二种类型的法术数量。

输入的第二行包含两个整数x和s(2≤x≤2·109,1≤s≤2·109) - 准备一个药水所需的初始秒数和Anton可以使用的manapoints数量。

第三行包含m个整数ai(1≤ai<x) - 如果使用第一个类型的第i个咒语,则准备一个药水所需的秒数。

第四行包含m个整数bi(1≤bi≤2·109) - 使用第一个类型的第i个咒语的manapoints数。

第五行中有k个整数ci(1≤ci≤n) - 如果使用第二种类型的第i个咒语,将立即创建的药水数量。保证ci不减小,即如果i <j,则ci≤cj。

第六行包含k个整数di(1≤di≤2·109) - 使用第二种类型的第i个咒语所需的manapoints数。保证di不降低,即如果i <j,则di≤dj。
  • 输出
    • 打印一个整数 - 为了准备n个药水而必须花费的最短时间。
  • 样例输入 1
    • 20 3 2
      10 99
      2 4 3
      20 10 40
      4 15
      10 80
  • 样例输出 1
    • 20
  • 样例输入 2
    • 20 3 2
      10 99
      2 4 3
      200 100 400
      4 15
      100 800
  • 样例输出 2
    • 200
  • 问题分析
    • 题目隐含的条件是 B 药水的两个数组是非递减的
    • 需要二分的是 B 药水的 manapoints 消耗数
    • 遍历 A 药水,通过二分选择 B 药水,最后选择一个最小的答案
    • 初始化的时候要注意考虑可能 A,B 药水都用不上这种情况
#include <iostream>
#include <cstdlib>
#include <cstdio>
#include <cstring>
#define Maxn 2000003

using namespace std;

typedef long long int LL;

LL n,m,k,x,s,x1,s1;

LL a_short_time[Maxn] = {0};
LL a_cost[Maxn] = {0};

LL b_pro_num[Maxn] = {0};
LL b_cost[Maxn] = {0};

int main()
{
    ios::sync_with_stdio(false);
    cin>>n>>m>>k>>x>>s;
    LL i = 1;
    LL ans = n*x;
    for(i = 1; i <= m; i++)
        cin >> a_short_time[i];
    a_short_time[0] = x;
    for(i = 1; i <= m; i++)
        cin >> a_cost[i];
    for(i = 1; i <= k; i++)
        cin >> b_pro_num[i];
    for(i = 1; i <= k; i++)
        cin >> b_cost[i];
    for(i = 0; i <= m; i++)
    {
        if(s >= a_cost[i])
        {
            LL s1 = s - a_cost[i];
            LL l = 0,r = k;
            while(l < r)
            {
                LL mid = (l + r) / 2;
                if(b_cost[mid] <= s1)
                {
                    if(b_cost[mid+1] > s1)
                    {
                        l = mid;
                        break;
                    }
                    else
                        l = mid + 1;
                }
                else
                    r = mid;
            }
            ans = min(ans,a_short_time[i]*(n-b_pro_num[l]));
        }
    }
    cout << ans;
    return 0;
}

 

posted @ 2018-08-08 18:18 Nikki_o3o 阅读( ...) 评论( ...) 编辑 收藏
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是近三年内比较著名的无人机目标跟踪技术相关的文献: 1. Bo Li, Tianhong Li, Yafei Song, et al. "High-Speed Tracking with Kernelized Correlation Filters." ECCV 2014. 2. Martin A. Zuniga, Zsolt Kira. "Fast Multiple Object Tracking via a Hierarchical Particle Filter." ICRA 2017. 3. Anton Milan, S. Hamid Rezatofighi, Anthony R. Dick, et al. "Online Multi-Target Tracking Using Recurrent Neural Networks." ICCV 2017. 4. Yifu Zhang, Yixin Chen, Jianke Zhu, et al. "Robust Visual Tracking via Consistent Low-Rank Sparse Learning." TPAMI, 2018. 5. Zhenyu He, Jian Liang, Yueshen Xu, et al. "UAV Tracking Using Visual Saliency and Particle Filter." Sensors, 2019. 6. Zeynep Akkaya, Asli Bayram, Sinem Kahraman, et al. "Real-time Multiple Object Tracking from Unmanned Aerial Vehicles Using Deep Learning." ITSC 2018. 7. Anton Milan, S. Hamid Rezatofighi, Anthony R. Dick, et al. "Online Multi-Target Tracking Using Recurrent Neural Networks." TPAMI, 2020. 8. Wenbo Li, Zhongdao Wang, Qi Li, et al. "SiamRPN++: Evolution of Siamese Visual Tracking with Very Deep Networks." CVPR 2019. 9. Zhibin Hong, Zhe Chen, Chaofei Yang, et al. "Multi-Object Tracking Algorithm Based on Improved YOLOv3 for UAV Images." Sensors, 2020. 10. Kai Chen, Wenbing Tao, Liang Xiao, et al. "UAV Tracking Based on the Fusion of Visual Saliency and Deep Neural Networks." Sensors, 2020. 这些文献是近年来在无人机目标跟踪技术领域具有重要影响力的研究成果。它们提出了创新的方法和算法,推动了无人机目标跟踪技术的发展。值得一提的是,其中不乏运用深度学习、循环神经网络和图像处理等前沿技术的研究。这些文献对于理解和应用无人机目标跟踪技术具有重要参考价值。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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