电视游戏问题【DP】【背包】

题目大意:
n n 个游戏平台,每个游戏平台有C[i]个游戏,但是需要花 W[i] W [ i ] 块钱才能买这个游戏平台。而且每个游戏平台里的游戏需要花 w[i] w [ i ] 元钱,但是买了这个游戏可以增加 c[i] c [ i ] 产奶量。在只有 m m 元的情况下,最多能增加多少产奶量?

Input

3 800
300 2 30 50 25 80
600 1 50 130
400 3 40 70 30 40 35 60

Output O u t p u t

210

思路:
我们设 f[0][i][j] f [ 0 ] [ i ] [ j ] 表示不买这个游戏,能增加的最大产奶量, f[1][i][j] f [ 1 ] [ i ] [ j ] 表示买这个游戏能增加的最大产奶量。那么就有

f[0][i][j]=f[1][i1][jw[i]] f [ 0 ] [ i ] [ j ] = f [ 1 ] [ i − 1 ] [ j − w [ i ] ]
f[0][i][j+w]=max(f[0][i1][j+w[i]],f[0][i1][j]+c[i]) f [ 0 ] [ i ] [ j + w ] = m a x ( f [ 0 ] [ i − 1 ] [ j + w [ i ] ] , f [ 0 ] [ i − 1 ] [ j ] + c [ i ] )
f[1][j]=max(f[0][i1][j],f[1][i1][j]); f [ 1 ] [ j ] = m a x ( f [ 0 ] [ i − 1 ] [ j ] , f [ 1 ] [ i − 1 ] [ j ] ) ;

我们发现, i i 只和i1有关系,所以方程又转化为
f[0][j]=f[1][jW]; f [ 0 ] [ j ] = f [ 1 ] [ j − W ] ;
f[0][j+w]=max(f[0][j+w],f[0][j]+c); f [ 0 ] [ j + w ] = m a x ( f [ 0 ] [ j + w ] , f [ 0 ] [ j ] + c ) ;
f[1][j]=max(f[0][j],f[1][j]); f [ 1 ] [ j ] = m a x ( f [ 0 ] [ j ] , f [ 1 ] [ j ] ) ;

就是一个完整的01背包啦!


代码:

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

int n,m,W,C,f[2][100001],w,c,s;

void fre()
{
    freopen("vidgame.in","r",stdin);
    freopen("vidgame.out","w",stdout);
}

int main()
{
    fre();
    scanf("%d%d",&n,&m);
    for (int k=1;k<=n;k++)
    {
        scanf("%d%d",&W,&C);  //由于i只和i-1有关,所以W[i]和C[i]都可以变为变量
        for (int i=W;i<=m;i++)
        {
            f[0][i]=f[1][i-W];  //方程1
        }
        for (int i=1;i<=C;i++)
        {
            scanf("%d%d",&w,&c);
            for (int j=m-w;j>=W;j--)
              f[0][j+w]=max(f[0][j+w],f[0][j]+c);  //方程2
        }
        for (int i=1;i<=m;i++) f[1][i]=max(f[0][i],f[1][i]);  //更新值,f[1][i]为本次答案。
    }
    return printf("%d\n",f[1][m])&0;
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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