最优得分 score

Solution:

  一道很典型的dp题目,

  对于 20% 的数据(Bi=0),直接使用01背包即可。

  对于 100% 的数据,我们需要进行分析,当我们对 …a,b… 和 …b,a… (…表示的是相同的序列)进行求最大值时,我们只需对不同的序列(也就是a,b)的不同排列方式求最大值,当a消耗ta秒,每秒消耗x,b消耗tb秒,每秒消耗y时,我们得到这两种不同排列方式的不同消耗分别为 [ta*x+(ta+tb)*y]① 和 [tb*y+(ta+tb)*x]②. 对①②两式做差,得到 [ta*y-ta*x]③,令③<0得到ta*y<tb*x;于是我们便以④为compare函数进行排序,再进行01背包求解即可。

 

 1 #include<algorithm>
 2 #include<cstring>
 3 #include<cstdio>
 4 using namespace std;
 5 const int maxm=3e3+5;
 6 int f[maxm];
 7 struct cp{
 8     int s,x,t;
 9 }e[maxm];
10 bool cmp(cp a,cp b){return a.t*b.x<a.x*b.t;}
11 inline int max(int a,int b){return a>b?a:b;}
12 inline void init(){
13     memset(e,0,sizeof e);
14     memset(f,0,sizeof f);
15 }
16 inline int read(){
17     char ch=getchar();
18     int x=0,f=1;
19     while(ch<'0'||ch>'9'){if(ch=='-') f=-1;ch=getchar();}
20     while(ch>='0'&&ch<='9') x=x*10+(ch^48),ch=getchar();
21     return x*f;
22 }
23 int main(){
24 /*    freopen("score.in","r",stdin);
25     freopen("score.out","w",stdout);*/
26     int T=read(),n,t,ans=0;
27     while(T--){
28         init();
29         ans=0;
30         n=read(),t=read();
31         for(int i=1;i<=n;i++) e[i].s=read(),e[i].x=read(),e[i].t=read();
32         sort(e+1,e+n+1,cmp);
33         for(int i=1;i<=n;i++)
34             for(int j=t;j>=e[i].t;j--)
35                 f[j]=max(f[j],f[j-e[i].t]+e[i].s-j*e[i].x);
36         for(int i=1;i<=t;i++) ans=max(ans,f[i]);
37 /*        for(int i=1;i<=n;i++){
38             for(int j=1;j<=t;j++) f[i][j]=f[i-1][j];
39             for(int j=t;j>=e[i].t;j--)
40                 f[i][j]=max(f[i-1][j],f[i-1][j-e[i].t]+e[i].s-e[i].x*j);
41         }*/
42         for(int i=1;i<=t;i++) ans=max(ans,f[i]);
43         printf("%d\n",ans);
44     }
45     return 0;
46 }
47 /*
48 1
49 4 10
50 110 5 9
51 30 2 1
52 80 4 8
53 50 3 2
54 Ans: 88
55 */
View Code

 

转载于:https://www.cnblogs.com/RisingGods/p/9300939.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
资源包主要包含以下内容: ASP项目源码:每个资源包中都包含完整的ASP项目源码,这些源码采用了经典的ASP技术开发,结构清晰、注释详细,帮助用户轻松理解整个项目的逻辑和实现方式。通过这些源码,用户可以学习到ASP的基本语法、服务器端脚本编写方法、数据库操作、用户权限管理等关键技术。 数据库设计文件:为了方便用户更好地理解系统的后台逻辑,每个项目中都附带了完整的数据库设计文件。这些文件通常包括数据库结构图、数据表设计文档,以及示例数据SQL脚本。用户可以通过这些文件快速搭建项目所需的数据库环境,并了解各个数据表之间的关系和作用。 详细的开发文档:每个资源包都附有详细的开发文档,文档内容包括项目背景介绍、功能模块说明、系统流程图、用户界面设计以及关键代码解析等。这些文档为用户提供了深入的学习材料,使得即便是从零开始的开发者也能逐步掌握项目开发的全过程。 项目演示与使用指南:为帮助用户更好地理解和使用这些ASP项目,每个资源包中都包含项目的演示文件和使用指南。演示文件通常以视频或图文形式展示项目的主要功能和操作流程,使用指南则详细说明了如何配置开发环境、部署项目以及常见问题的解决方法。 毕业设计参考:对于正在准备毕业设计的学生来说,这些资源包是绝佳的参考材料。每个项目不仅功能完善、结构清晰,还符合常见的毕业设计要求和标准。通过这些项目,学生可以学习到如何从零开始构建一个完整的Web系统,并积累丰富的项目经验。
资源包主要包含以下内容: ASP项目源码:每个资源包中都包含完整的ASP项目源码,这些源码采用了经典的ASP技术开发,结构清晰、注释详细,帮助用户轻松理解整个项目的逻辑和实现方式。通过这些源码,用户可以学习到ASP的基本语法、服务器端脚本编写方法、数据库操作、用户权限管理等关键技术。 数据库设计文件:为了方便用户更好地理解系统的后台逻辑,每个项目中都附带了完整的数据库设计文件。这些文件通常包括数据库结构图、数据表设计文档,以及示例数据SQL脚本。用户可以通过这些文件快速搭建项目所需的数据库环境,并了解各个数据表之间的关系和作用。 详细的开发文档:每个资源包都附有详细的开发文档,文档内容包括项目背景介绍、功能模块说明、系统流程图、用户界面设计以及关键代码解析等。这些文档为用户提供了深入的学习材料,使得即便是从零开始的开发者也能逐步掌握项目开发的全过程。 项目演示与使用指南:为帮助用户更好地理解和使用这些ASP项目,每个资源包中都包含项目的演示文件和使用指南。演示文件通常以视频或图文形式展示项目的主要功能和操作流程,使用指南则详细说明了如何配置开发环境、部署项目以及常见问题的解决方法。 毕业设计参考:对于正在准备毕业设计的学生来说,这些资源包是绝佳的参考材料。每个项目不仅功能完善、结构清晰,还符合常见的毕业设计要求和标准。通过这些项目,学生可以学习到如何从零开始构建一个完整的Web系统,并积累丰富的项目经验。
08-10
资源包主要包含以下内容: ASP项目源码:每个资源包中都包含完整的ASP项目源码,这些源码采用了经典的ASP技术开发,结构清晰、注释详细,帮助用户轻松理解整个项目的逻辑和实现方式。通过这些源码,用户可以学习到ASP的基本语法、服务器端脚本编写方法、数据库操作、用户权限管理等关键技术。 数据库设计文件:为了方便用户更好地理解系统的后台逻辑,每个项目中都附带了完整的数据库设计文件。这些文件通常包括数据库结构图、数据表设计文档,以及示例数据SQL脚本。用户可以通过这些文件快速搭建项目所需的数据库环境,并了解各个数据表之间的关系和作用。 详细的开发文档:每个资源包都附有详细的开发文档,文档内容包括项目背景介绍、功能模块说明、系统流程图、用户界面设计以及关键代码解析等。这些文档为用户提供了深入的学习材料,使得即便是从零开始的开发者也能逐步掌握项目开发的全过程。 项目演示与使用指南:为帮助用户更好地理解和使用这些ASP项目,每个资源包中都包含项目的演示文件和使用指南。演示文件通常以视频或图文形式展示项目的主要功能和操作流程,使用指南则详细说明了如何配置开发环境、部署项目以及常见问题的解决方法。 毕业设计参考:对于正在准备毕业设计的学生来说,这些资源包是绝佳的参考材料。每个项目不仅功能完善、结构清晰,还符合常见的毕业设计要求和标准。通过这些项目,学生可以学习到如何从零开始构建一个完整的Web系统,并积累丰富的项目经验。
很抱歉,我之前的回答有误,因为我并没有看到您提到的“以上代码”部分,所以我的回答不太准确。以下是关于 MLPClassifier 多分类模型利用最优参数和最优得分重新训练模型,进而预测模型的示例代码: ```python from sklearn.neural_network import MLPClassifier from sklearn.model_selection import GridSearchCV from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 加载数据集 iris = load_iris() X, y = iris.data, iris.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 定义需要搜索的参数空间和参数范围 param_grid = { 'hidden_layer_sizes': [(10,), (50,), (100,)], 'activation': ['relu', 'tanh', 'logistic'], 'alpha': [0.0001, 0.001, 0.01], } # 初始化模型选择器,设置交叉验证次数和评分指标 model = MLPClassifier(random_state=42) grid_search = GridSearchCV(model, param_grid=param_grid, cv=5, scoring='accuracy') # 在训练数据集上拟合模型选择器,寻找最优的超参数组合 grid_search.fit(X_train, y_train) # 输出最优的超参数组合和最优得分 print('Best parameters:', grid_search.best_params_) print('Best score:', grid_search.best_score_) # 使用最优的超参数组合来重新训练 MLPClassifier 模型 best_model = MLPClassifier(hidden_layer_sizes=grid_search.best_params_['hidden_layer_sizes'], activation=grid_search.best_params_['activation'], alpha=grid_search.best_params_['alpha'], random_state=42) best_model.fit(X_train, y_train) # 用测试数据集来评估模型的性能 y_pred = best_model.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print('Accuracy:', accuracy) # 最后,使用训练好的 MLPClassifier 模型来预测新的数据 new_data = [[5.1, 3.5, 1.4, 0.2], [6.2, 2.9, 4.3, 1.3], [7.3, 2.8, 6.3, 1.8]] new_pred = best_model.predict(new_data) print('Predictions:', new_pred) ``` 以上代码演示了如何使用 GridSearchCV 模型选择器来寻找 MLPClassifier 多分类模型的最优超参数组合,并且如何使用最优超参数组合来重新训练模型、评估模型性能和预测新的数据。
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