hdu-1203

I NEED A OFFER!

Time Limit: 2000/1000 MS (Java/Others)    Memory Limit: 65536/32768 K (Java/Others)
Total Submission(s): 20823    Accepted Submission(s): 8318


Problem Description
Speakless很早就想出国,现在他已经考完了所有需要的考试,准备了所有要准备的材料,于是,便需要去申请学校了。要申请国外的任何大学,你都要交纳一定的申请费用,这可是很惊人的。Speakless没有多少钱,总共只攒了n万美元。他将在m个学校中选择若干的(当然要在他的经济承受范围内)。每个学校都有不同的申请费用a(万美元),并且Speakless估计了他得到这个学校offer的可能性b。不同学校之间是否得到offer不会互相影响。“I NEED A OFFER”,他大叫一声。帮帮这个可怜的人吧,帮助他计算一下,他可以收到至少一份offer的最大概率。(如果Speakless选择了多个学校,得到任意一个学校的offer都可以)。
 

Input
输入有若干组数据,每组数据的第一行有两个正整数n,m(0<=n<=10000,0<=m<=10000) 
后面的m行,每行都有两个数据ai(整型),bi(实型)分别表示第i个学校的申请费用和可能拿到offer的概率。 
输入的最后有两个0。
 

Output
每组数据都对应一个输出,表示Speakless可能得到至少一份offer的最大概率。用百分数表示,精确到小数点后一位。
 

Sample Input
  
  
10 3 4 0.1 4 0.2 5 0.3 0 0
 

Sample Output
  
  
44.0%
题目来源:http://acm.hdu.edu.cn/showproblem.php?pid=1203
考查知识点:0-1背包
解体思路:
    
    
Speakless可能得到至少一份offer的最大概率,可以转换成一份都没有得到的最小概率,这样问题就被简化了。一开始写这道题目时,对于样例的计算结果完全不知到是怎么得到的。我想的是1-(1-p1)(1-p2)(1-p3),但答案错误。后来想了想最小概率这个词,原来在 Speakless没有多少钱,总共只攒了n万美元,在这个限制条件下,Speakless没有拿到offer的情况有很多种,例如向1,2所大学申请了被拒绝,向2,3所大学申请了被拒绝,但不可能同时向三所大学申请。接下来只要运用0-1背包思想就行了,只是概率之间应该相乘,求的是每种状态下的最小概率。
代码如下:
#include<stdio.h>
#include<string.h>
#include<algorithm>
using namespace std;
double f[10010];
double p[10010];
int cost[10010];
int main()
{
	int n,m,i,j,k;
	while(scanf("%d%d",&n,&m),n|m)
	{
		for(i=1;i<=m;i++)
		scanf("%d%lf",&cost[i],&p[i]);
		fill(f,f+10010,1);
		for(i=1;i<=m;i++)
		{
			for(j=n;j>=cost[i];j--)
			{
				f[j]=min(f[j],f[j-cost[i]]*(1-p[i]));
			}
		}
		printf("%.1f%%\n",(1-f[n])*100);
	}
	return 0;
}


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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