PAT (Advanced Level) Practice_1079 Total Sales of Supply Chain (25 分)_(含题目翻译及解读)

题目地址

题目翻译及解读:


    商品供应链是由 零售商、经销商和供应商构成,其中每一个都参与了商品从供应商到消费者的流通过程。
    从一个供应商开始,供应链的成员都是以价格P从供应商处购买,并以高出P的r%的价格进行分销或者贩卖。且只有零售商会和消费者直接进行交易。这里我们假设供应链的每个成员除了根节点供应商外就只有一个其他供应商,并且这里并不存在供应循环的关系。
现在,给出一条供应链,你需要设法求出所有零售商的售卖总额。

输入格式:
    每个输入文件包含一个测试案例。每个测试案例,第一行具有三个正整数:N<=100000,即供应链的所有成员(因此,成员们的ID编码从0到N-1编号,注意根节点供应商的ID被设置为了0);P,根节点供应商的单个商品价格;r,每级售销的提高比例。
    接下来N排输入将交代每个分销商或者零售商的情况:
  Ki ID[1] ID[2] ... ID[Ki]
    这里第i排,其中Ki代表从供应商i处进货的成员(分销商或零售商)的总数,随后列出成员ID。若Ki==0,就意味着这第i号成员是零售商,则Ki后列下该零售商的商品总数。所有的数字以空格间隔。

<注>:这里的i是从0开始,这里的经销商会成为进货者的供应商。实在对于这种题目需要自己揣摩其含糊的意思的题目没有好感,对i的定义我们也可以从ID [1] ID [2] ... ID [K i]来推断是从1开始的啊!!!经销商会转换身份为供应商,他本质是经销商、相对是供应商。这里描述为上一级供应商、上一级经销商,可是统称为供应商且并未表述相对关系,就容易误解存在其他供应商。

怪我菜,怪我菜……毕竟人家可以读对题,我就读不清。


我的代码:

#include<iostream>
#include<vector>
#include<math.h>
using namespace std;

int n;
double p, r, tol = 0;
vector<vector<int> >vv;
void cnt(int tra, int level);

int	 main()
{
	scanf("%d %lf %lf", &n, &p, &r);

	for (int i = 0, m, t; i < n; i++)
	{
		vector<int>vt;
		scanf("%d", &m);
		vt.push_back(m);
		if (m == 0)
		{
			scanf("%d", &t);
			vt.push_back(t);
		}
		for (int j = 0; j < m; j++)
		{
			scanf("%d", &t);
			vt.push_back(t);
		}

		vv.push_back(vt);
	}
	cnt(0, 0);
	printf("%.1lf", tol);

	return 0;
}
void cnt(int tra, int level)
{
	if (vv[tra][0] == 0)
	{
		tol = tol + p * pow(1 + r / 100, level) * vv[tra][1];
		return;
	}
	for (int i = 1; i < vv[tra].size(); i++)
		cnt(vv[tra][i], level + 1);

	return;
}

 

  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和类植物上的病虫害。以下是这一技术的一些关键步骤和组成部: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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