CodeForce-799C Fountains (记忆化DP)

Fountains

CodeForces - 799C

某土豪想要造两座喷泉。现在有 n 个造喷泉的方案,我们已知每个方案的价格以及美观度。有两种合法的货币:金币和钻石。这两种货币之间不能以任何方式转换。

找出一种合法方案使得两座喷泉的美观度和最大。

Input

第一行包含 3 个整数 n, cd (2 ≤ n ≤ 100 000, 0 ≤ c, d ≤ 100 000) — 表示造喷泉的方案数,金币的数量和钻石的数量。

之后 n 行描述每一种建造喷泉的方案。每行包含两个整数 bipi (1 ≤ bi, pi ≤ 100 000) — 分别表示第 i 个喷泉的美观度和价格,之后一个字符"C" 或 "D", 表示这个价格使用金币还是钻石描述的。

Output

输出两个美观度最大的喷泉的美观度和。如果没有合法方案,输出 0.

Example
Input
3 7 6
10 8 C
4 3 C
5 6 D
Output
9
Input
2 4 5
2 5 C
2 1 D
Output
0
Input
3 10 10
5 5 C
5 5 C
10 11 D
Output
10
Note

第一个样例中造第2个喷泉,美观度为 4, 价格为 3 金币。第一个喷泉没有足够的金币来造。同时还造第3个喷泉,美观度为 5 ,价格为 6 钻石。那么总美观度为 9。

第二个样例中没有合法方案。

可以预处理出
pre1[N][2]
表示花费N个金币,能够获得的最大美丽值和次小美丽值;
然后对以下3种情况枚举其中的一个;
一.
两个商品都是金币买的
则枚举其中一个商品是哪一个;
然后看看余额还剩多少->rest;
直接获取pre1[rest][0]
如果枚举的商品的价格<=rest且pre1[rest][0]和这个枚举的商品的美丽值一样
就取pre1[rest][1];即次小值;
二.
两个商品都是钻石买的,同上
三.
一个商品是钻石买的,另外一个是金币买的,各自单独找最大值;

 

#include <bits/stdc++.h>
#define rep1(i,x,y) for(int i=x;i<=y;i++)
#define rep2(i,x,y) for(int i=y;i>=x;i--)
#define pb push_back
#define long long ll
using namespace std;
const int N=2e5+100;

struct node
{
    int b;//beauty
    int p;//price
    int id;
};
vector<int> g[2][N];//the beauty of two types fountain from each price
int bo[2][N][2];
int n,c,d;
node a[N];
int main()
{
    ios_base::sync_with_stdio(0);
    cin>>n>>c>>d;
    char s[3];
    rep1(i,1,n)
    {
        cin>>a[i].b>>a[i].p;
        cin>>s;
        a[i].id=(s[0]=='C') ? 0:1;
        g[a[i].id][a[i].p].pb(a[i].b);
    }
    rep1(k,0,1)
    {
        rep1(i,1,100000)
        {
            bo[k][i][1]=bo[k][i-1][1];//DP
            bo[k][i][0]=bo[k][i-1][0];//DP
            int len=g[k][i].size();
            rep1(j,0,len-1)
            {
                if(g[k][i][j]>bo[k][i][0])
                {//g[k(*id)][i(*price)][j(*beauty)]
                    bo[k][i][1]=bo[k][i][0];
                    bo[k][i][0]=g[k][i][j];
                    //bo[k][i][0] find the best beauty and
                    //bo[k][i][0] the second beauty
                    //of fountains in the same price by coins
                    //(or diamonds,depends on "k")
                }
                else if(g[k][i][j]>bo[k][i][1])
                    bo[k][i][1]=g[k][i][j];
            }
        }
    }
    //all coins
    int ans=0;
     rep1(i,1,n)
        if (a[i].id==0)
        {
            int t1 = a[i].b,t2 = a[i].p;
            int rest = c-t2;
            if (rest<=0) continue;
            int t3 = bo[0][rest][0];
            if (t2<=rest && t1==t3)
                t3 = bo[0][rest][1];
            if (t3<=0) continue;
            ans = max(ans,t1+t3);
        }
    //all diamonds
     rep1(i,1,n)
        if (a[i].id==1)
        {
            int t1 = a[i].b,t2 = a[i].p;
            int rest = d-t2;
            if (rest<=0) continue;
            int t3 = bo[1][rest][0];
            if (t2<=rest && t1==t3)
                t3 = bo[1][rest][1];
            if (t3<=0) continue;
            ans = max(ans,t1+t3);
        }
    //half coin half diamond
    rep1(i,1,n)
        {
            int t1 = a[i].b,t2 = a[i].p;
            int rest,t3;
            if (a[i].id==0)
            {
                rest = d;
                if (t2>c) continue;
            }
            else
            {
                rest = c;
                if (t2>d) continue;
            }
            if (rest<=0)  continue;
            t3 = bo[1-a[i].id][rest][0];
            if (t3<=0) continue;
            ans = max(ans,t1+t3);
        }
    cout<<ans<<endl;
    return 0;
}

 

 

 

转载于:https://www.cnblogs.com/YingZhixin/p/7117297.html

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小损失函数。 11. **正则(Regularization)**:技术如 Dropout、L1/L2 正则等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小损失函数。 11. **正则(Regularization)**:技术如 Dropout、L1/L2 正则等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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