NOIP2011 观光公交

3.观光公交

(bus.cpp/c/pas)

 

风景迷人的小城 Y 市,拥有 n 个美丽的景点。由于慕名而来的游客越来越多,Y 市特 意安排了一辆观光公交车,为游客提供更便捷的交通服务。观光公交车在第 0 分钟出现在 1 号景点,随后依次前往 2、3、4……n 号景点。从第 i 号景点开到第 i+1 号景点需要 Di 分钟。 任意时刻,公交车只能往前开,或在景点处等待。

设共有 m 个游客,每位游客需要乘车 1 次从一个景点到达另一个景点,第 i 位游客在

Ti 分钟来到景点 Ai,希望乘车前往景点 Bi(Ai<Bi)。为了使所有乘客都能顺利到达目的地,

 

 

 

公交车在每站都必须等待需要从该景点出发的所有乘客都上车后才能出发开往下一景点。

假设乘客上下车不需要时间。 一个乘客的旅行时间,等于他到达目的地的时刻减去他来到出发地的时刻。因为只有一

辆观光车,有时候还要停下来等其他乘客,乘客们纷纷抱怨旅行时间太长了。于是聪明的司 机 ZZ 给公交车安装了 k 个氮气加速器,每使用一个加速器,可以使其中一个 Di 减 1。对于 同一个 Di 可以重复使用加速器,但是必须保证使用后 Di 大于等于 0。

那么 ZZ 该如何安排使用加速器,才能使所有乘客的旅行时间总和最小?

 

【输入】

输入文件名为 bus.in。

第 1 行是 3 个整数 n, m, k,每两个整数之间用一个空格隔开。分别表示景点数、乘客数

和氮气加速器个数。

第 2 行是 n-1 个整数,每两个整数之间用一个空格隔开,第 i 个数表示从第 i 个景点开 往第 i+1 个景点所需要的时间,即 Di。

第 3 行至 m+2 行每行 3 个整数 Ti, Ai, Bi,每两个整数之间用一个空格隔开。第 i+2 行表 示第 i 位乘客来到出发景点的时刻,出发的景点编号和到达的景点编号。

 

【输出】

输出文件名为 bus.out。共一行,包含一个整数,表示最小的总旅行时间。

 

【输入输出样例】

 

bus.in   bus.out

3 3 2

1 4

0 1 3

1 1 2

5 2 3    10

【输入输出样例说明】

对 D2 使用 2 个加速器,从 2 号景点到 3 号景点时间变为 2 分钟。

公交车在第 1 分钟从 1 号景点出发,第 2 分钟到达 2 号景点,第 5 分钟从 2 号景点出发, 第 7 分钟到达 3 号景点。

第 1 个旅客旅行时间 7-0 = 7 分钟。 第 2 个旅客旅行时间 2-1 = 1 分钟。 第 3 个旅客旅行时间 7-5 = 2 分钟。 总时间 7+1+2 = 10 分钟。

【数据范围】

对于 10%的数据,k=0; 对于 20%的数据,k=1;

对于 40%的数据,2 ≤ n ≤ 50,1 ≤ m ≤ 1,000,0 ≤ k ≤ 20,0 ≤ Di ≤ 10,0 ≤ Ti ≤ 500;

对于 60%的数据,1 ≤ n ≤ 100,1 ≤ m ≤ 1,000,0 ≤ k ≤ 100,0 ≤ Di ≤ 100,0 ≤ Ti ≤ 10,000;

对于 100% 的数据,1 ≤ n ≤ 1,000 ,1 ≤ m ≤ 10,000 ,0 ≤ k ≤ 100,000 ,0 ≤ Di ≤ 100 ,

0 ≤ Ti ≤ 100,000。

 

 

【思路】

   贪心。

   考虑没有加速器的情况,可以由题目条件求出观光车到达每个车站的时间time,递归求解如下:

     time[i]=max{ time[i-1] , t[i-1] }+d[i-1]

   再考虑有加速器的情况,注意使用一个加速器相当于对于一部分人的时间-1。对于边i使用加速器,一定可以使在i+1站下车的人数时间-1,如果time[i+1]>=t[i+1]则观光车需要等待i+1站的人上车后才能走所以加速器的“加速效果”停止于i+1;否则,加速器的效果可以延续。如果设g[i]表示对i边加速所能延续到的最大车站则有以下递推式:

     g[i]=time[i+1]>=t[i+1]? i+1 : g[i+1]

  令sum(j)表示到j及以前下车的人数。每次贪心选择sum(g[i])-sum(i)最大及加速效果最优的边进行加速,直到用尽所有的加速器或不能加速。

 

【代码】

 1 #include<iostream>
 2 #include<cstring>
 3 using namespace std;
 4 
 5 const int maxn = 10000+10;
 6 struct Node{
 7     int T,from,to;
 8 }a[maxn];
 9 
10 int n,m,K;
11 int times[maxn],t[maxn],g[maxn],d[maxn];
12 int sum[maxn];
13 
14 int main() {
15     ios::sync_with_stdio(false);
16     
17     cin>>n>>m>>K;
18     for(int i=1;i<n;i++) cin>>d[i];
19     for(int i=1;i<=m;i++) {
20        cin>>a[i].T>>a[i].from>>a[i].to;
21        t[a[i].from]=max(t[a[i].from],a[i].T);  //t[i]是从 i 出发的最大时间 
22        sum[a[i].to] ++;
23     }
24     for(int i=2;i<=n;i++)    //到达 i 及 i 之前的人数 
25         sum[i] += sum[i-1]; 
26     
27     int ans=0;
28     times[1]=t[1];
29     for(int i=2;i<=n;i++) 
30        times[i]=max(times[i-1],t[i-1])+d[i-1];
31     for(int i=1;i<=m;i++) {  //m //统计没有加速器的 ans 
32         ans += times[a[i].to]-a[i].T;
33     }
34     while(K--) {
35         g[n] = g[n-1] = n;
36         for(int i=n-2;i;i--)   //维护 g 
37           g[i]=(times[i+1]<=t[i+1])? i+1 : g[i+1];
38         
39         int _max=0,k;
40         for(int i=1;i<n;i++) {  //找到使用加速器最有效的边 
41             if(sum[g[i]]-sum[i]>_max && d[i]>0) {  //d[i]>0
42                 _max=sum[g[i]]-sum[i];
43                 k=i;
44             }
45         }
46         
47         if(!_max) break;
48         
49         ans -= _max;   //使用加速器缩短时间 
50         d[k] --;
51         
52         times[1]=t[1];
53         for(int i=2;i<=n;i++)   //维护 time 
54            times[i]=max(times[i-1],t[i-1])+d[i-1];
55     }
56     
57     cout<<ans;
58     return 0;
59 }

 

  • 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: 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