【Kickstart】2018 Round A - Lucky Dip

最新推荐文章于 2020-05-23 22:58:31 发布

MYSDB

最新推荐文章于 2020-05-23 22:58:31 发布

阅读量367

点赞数

分类专栏： Kickstart

Kickstart 专栏收录该内容

28 篇文章 2 订阅

订阅专栏

本文深入探讨了动态规划(DP)算法的子问题划分及递推公式的建立，通过实例讲解了如何运用DP策略解决复杂问题，包括概率计算与期望值求解。文章提供了Python实现代码，展示了如何通过递归和迭代计算最优解。

摘要由CSDN通过智能技术生成

解法

DP，子问题划分如下：
第i次取完之后，假如想放弃，那么共计已经放弃i次，剩下的过程就是最多只能放弃K-i次的期望

所以策略很简单：

第i次取出来的值，如果大于等于以后的期望（发生这个事件的概率为 $\frac{|\{v_i|v_i\ge E[i+1]\}|}{N}$ ），就取，不然就放弃。
得到递推公式如下：
$\sum_{v_i\ge E[i+1]}{\frac{1}{N}v_i}+(1-p)E[i+1]$
其中， $\frac{\sum_{v_i}v_i}{N}$

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from bisect import bisect_left
t = input()
for _ in xrange(t):
    n,k = map(int,raw_input().split())
    v = map(int, raw_input().split())
    v.sort()
    p = [0]
    for i in xrange(n-1,-1,-1):
        p.append(p[-1]+v[i])
    p = p[::-1]
    # print v,p
    E = 1.0*p[0]/n
    for i in xrange(k):
        j = bisect_left(v, E)
        E = 1.0*p[j]/n + 1.0*j/n*E
    print "Case #%d: %.6f" % (_+1, E)