1481:Maximum sum(2.6基本算法之动态规划)

最新推荐文章于 2024-03-05 20:59:03 发布
最新推荐文章于 2024-03-05 20:59:03 发布
阅读量884 收藏 1
点赞数
分类专栏： OpenJudge&ACM算法 动态规划 文章标签： 动态规划 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_26919935/article/details/77993092
版权
该博客介绍了一个寻找给定整数集合中两非交子集的最大和的算法问题，采用动态规划方法求解。给定n个整数，目标是找到两个不相交子集的元素之和的最大值。题目提供样例输入和输出，以及T测试用例，每个用例包含n个整数，绝对值不超过10000。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1481:Maximum sum

总时间限制: 1000ms 内存限制: 65536kB
描述
Given a set of n integers: A={a1, a2,…, an}, we define a function d(A) as below:
t1 t2
d(A) = max{ ∑ai + ∑aj | 1 <= s1 <= t1 < s2 <= t2 <= n }
i=s1 j=s2

Your task is to calculate d(A).
输入
The input consists of T(<=30) test cases. The number of test cases (T) is given in the first line of the input.
Each test case contains two lines. The first line is an integer n(2<=n<=50000). The second line contains n integers: a1, a2, …, an. (|ai| <= 10000).There is an empty line after each case.
输出
Print exactly one line for each test case. The line should contain the integer d(A).
样例输入
1

10
1 -1 2 2 3 -3 4 -4 5 -5
样例输出
13
提示
In the sample, we choose {2,2,3,-3,4} and {5}, then we can get the answer.

最低0.47元/天 解锁文章
GEE 案例：HTV（Hydro Temporal Varriation）算法的分析和代码
此星光明博客
09-28 190
Hydro Temporal Variation (HTV) 算法是一种用于水文时间序列数据分析的方法。它主要用于识别和量化水文时间序列中的季节性和年际变化。HTV 算法基于以下的两个主要步骤：1. 季节性分解：HTV 首先对水文时间序列进行季节性分解，将其拆分为长期趋势、季节性和残差三个部分。这可以通过使用经典的季节性分解方法，如X-11或X-12-ARIMA模型，或使用基于小波分析的方法来实现。2. 年际变化分析：在进行季节性分解之后，HTV 算法使用一个指标来量化水文时间序列的年际变化。
【gcc】RtpTransportControllerSend学习笔记 3：gcc 算法
突围
10-07 1397
gcc
POJ 1481 Maximum sum｜动态规划
Iridescence
01-16 452
题目描述 总时间限制:1000ms内存限制:65536kB 描述 Given a set of n integers: A={a1, a2,..., an}, we define a function d(A) as below: t1 t2 d(A) = max{ ∑ai + ∑aj | 1 <= s1 <= t1 < s2 <= t2 <= n } i..
1481:Maximum sum
weixin_30644369的博客
08-16 260
题目链接http://noi.openjudge.cn/ch0206/1481/ 描述Given a set of n integers: A={a1, a2,..., an}, we define a function d(A) as below: t1 t2 d(A) = max{ ∑ai + ∑aj | 1 <= ...
1481:Maximum sum （前缀和+dp）
08-01 147
【题目描述】 　　　　对一个序列A={a1, a2,..., an}给出函数： t1 t2 d(A) = max{ ∑ai + ∑aj | 1 <= s1 <= t1 < s2 <= t2 <= n } i=s1 j=s2求出该函数最大值。 【...
1996:登山(2.6基本算法之动态规划)
扣扣biubiubiu~
09-15 971
1996:登山总时间限制: 5000ms 内存限制: 131072kB 描述 五一到了，PKU-ACM队组织大家去登山观光，队员们发现山上一个有N个景点，并且决定按照顺序来浏览这些景点，即每次所浏览景点的编号都要大于前一个浏览景点的编号。同时队员们还有另一个登山习惯，就是不连续浏览海拔相同的两个景点，并且一旦开始下山，就不再向上走了。队员们希望在满足上面条件的同时，尽可能多的浏览景点，你能帮他们
第二章、动态规划算法(2.6.3-2.6.3.3)------单序列子序列问题(2)
Python基础详解教程，让编程变得简单！
01-19 981
文中主要讲述动态规划算法在单序列子序列问题的应用，主要包括最大连续子序列和(最大子数组和)、最大和连续子序列、最大和连续子序列的个数(数量)。
OpenJudge_P1481 Maximum sum(最大双子序列和)
BeiYu
12-02 1049
总时间限制: 1000ms 内存限制: 65536kB 描述 Given a set of n integers: A={a1, a2,…, an}, we define a function d(A) as below:Your task is to calculate d(A). 输入 The input consists of T(<=30) test cases. The numbe
动态规划 NOI 1481:Maximum sum——顺着倒着各求一次最大连续子序列和
Always_ease的博客
05-30 655
点击打开链接#include&lt;iostream&gt; #include&lt;algorithm&gt; #include&lt;string.h&gt; using namespace std; int a[50001],dpleft[50001],lmax[50001],dpright[50001],rmax[50001]; int main() { int times,n,i,an...
POJ2.6 1481 Maximum sum
leizhehan的博客:(你可能会认得我的另一个名字：hsfzLZH1)
11-07 822
POJ2.6 1481 Maximum sum
OpenJudge 2.5-1481 Maximum sum(最大和)
岂曰无衣，与子同袍
07-11 438
Description Given a set of n integers: A={a1, a2,..., an}, we define a function d(A) as below: t1 t2 d(A) = max{ ∑ai + ∑aj | 1 <= s1 <= t1 < s2 <= t2
1481:Maximum sum (C语言)(noi.openjudge)
最新发布
一颗草莓～(￣▽￣～)~的博客
03-05 421
t1 t2。
【openjudge 2.6基本算法之动态规划】（合集）
reverie_mjp的博客
09-18 933
恰逢江南好春色 , 拈一缕春风浅浅作序
1481:Maximum sum——双向dp解决超时问题
小白之比白更白的博客
08-18 230
描述 Given a set of n integers: A={a1, a2,..., an}, we define a function d(A) as below: t1 t2 d(A) = max{ ∑ai + ∑aj | 1 <= s1 <= t1 < s2 <= t2 <= n } i=s1 j=s2 Your task is to calcu
POJ1481-Maximum sum
啥也不会呀
03-10 262
POJ1481题目：给定一组序列，求其两个不同的子序列，使得两子序列中数值值之和最大，求这个最大值。#include&lt;cstdio&gt; #include&lt;cmath&gt; #include&lt;iostream&gt; #include&lt;cstring&gt; #include&lt;cstdlib&gt; #include&lt;algorithm&gt; #inclu...
OpenJudge-Noi 1481 Maximum Sum
小木匠QvQ
02-24 513
总时间限制: 1000ms 内存限制: 65536kB 描述Given a set of n integers: A={a1, a2,..., an}, we define a function d(A) as below: t1 t2 d(A) = max{ ∑ai + ∑aj | 1 <= s1 <= t1 <
鲸鱼算法matlab程序
05-18
以下是一个简单的鲸鱼算法的 Matlab 实现。在这个例子中，我们尝试最小化一个已知函数的值。请注意，这个程序只是一个示例，您需要根据自己的要求进行修改。 ```matlab function [best, fmin] = whale_algorithm(max_iter, dim, lb, ub, fobj) % Whale algorithm implementation in Matlab % Inputs: % max_iter: Maximum number of iterations % dim: Number of dimensions % lb: Lower bound of search space % ub: Upper bound of search space % fobj: Objective function to minimize % Outputs: % best: Best solution found % fmin: Best objective function value found % Initialize population pop_size = 30; X = zeros(pop_size, dim); for i = 1:pop_size X(i,:) = lb + (ub - lb) .* rand(1, dim); end % Initialize best solution fX = feval(fobj, X'); [fmin, idx] = min(fX); best = X(idx,:); % Main loop for t = 1:max_iter % Update position of whales a = 2 - t * (2 / max_iter); % Eq. (2.3) a2 = -1 + t * ((-1) / max_iter); % Eq. (2.4) for i = 1:pop_size r1 = rand(); % r1 is a random number in [0,1] r2 = rand(); % r2 is a random number in [0,1] A = 2 * a * r1 - a; % Eq. (2.1) C = 2 * r2; % Eq. (2.2) b = 1; % parameters in Eq. (2.5) l = (a2 - 1) * rand() + 1; % Eq. (2.5) p = rand(); % p in Eq. (2.6) if p < 0.5 if abs(A) >= 1 rand_leader_idx = floor(pop_size * rand() + 1); X_rand = X(rand_leader_idx, :); D_X_rand = abs(C * X_rand - X(i, :)); % Eq. (2.7) X(i, :) = X_rand - A * D_X_rand; % Eq. (2.8) else D_best = abs(C * best - X(i, :)); % Eq. (2.1) X(i, :) = best - A * D_best; % Eq. (2.3) end else distance_to_leader = abs(best - X(i, :)); X(i, :) = distance_to_leader * exp(b * l) .* cos(2 * pi * l) + best; % Eq. (2.5) end end % Apply boundary constraints X(X < lb) = lb; X(X > ub) = ub; % Update best solution fX = feval(fobj, X'); [fmin_new, idx] = min(fX); if fmin_new < fmin best = X(idx,:); fmin = fmin_new; end % Display progress disp(['Iteration ' num2str(t) ', Best objective function value = ' num2str(fmin)]); end end ``` 在这个示例中，我们定义了一个需要最小化的目标函数，并将其传递给鲸鱼算法。在每次迭代中，算法更新每个鲸鱼的位置，并根据当前位置更新最佳解决方案。算法还对搜索空间进行了边界约束，确保每个鲸鱼的位置都在定义的搜索范围内。 您可以使用以下代码来运行这个示例： ```matlab % Define objective function to minimize fobj = @(x) sum(x.^2); % Define search space bounds lb = -5; ub = 5; % Run whale algorithm max_iter = 100; dim = 10; [best, fmin] = whale_algorithm(max_iter, dim, lb, ub, fobj); ``` 在这个例子中，我们最小化了一个简单的二次函数，并将搜索空间限制在 -5 和 5 之间。您可以根据自己的需求修改这些参数。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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