洛谷P1433——最优性剪枝与位运算状压dp

最新推荐文章于 2024-09-12 19:02:20 发布

sky_lzr

最新推荐文章于 2024-09-12 19:02:20 发布

阅读量970

点赞数 24

分类专栏：算法文章标签：剪枝深度优先算法动态规划

本文链接：https://blog.csdn.net/sky_lzr/article/details/135671156

版权

本文介绍了洛谷P1433问题的解决方案，包括两种策略：DFS结合最优性剪枝和位运算状态压缩动态规划。通过DFS可以实现路径搜索，但可能在部分测试点导致超时。位运算状态压缩DP则能有效降低时间复杂度，适用于数据范围较小的问题。文章详细解释了位运算的状态表示和三重循环的迭代过程，并提供了代码实现。

摘要由CSDN通过智能技术生成

洛谷P1433——最优性剪枝与位运算状压dp

关键词：dfs；剪枝；dp；位运算

一、题目描述

房间里放着 $n$ 块奶酪。一只小老鼠要把它们都吃掉，问至少要跑多少距离？老鼠一开始在 $(0, 0)$ 点处。

输入格式
第一行有一个整数，表示奶酪的数量 $n$ 。
第 $2$ 到第 $(n + 1)$ 行，每行两个实数，第 $(i + 1)$ 行的实数分别表示第 $i$ 块奶酪的横纵坐标 $x_i, y_i$ 。

输出格式
输出一行一个实数，表示要跑的最少距离，保留 $2$ 位小数。

样例 1
样例输入 1

样例输出 1

7.41

提示
数据规模与约定
对于全部的测试点，保证 $1\leq n\leq 15$ ， $|x_i|, |y_i| \leq 200$

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

sky_lzr

关注关注

24
点赞
踩
20

收藏

觉得还不错? 一键收藏
2
评论
洛谷P1433——最优性剪枝与位运算状压dp

洛谷P1433——dfs最优性剪枝与位运算状压dp。值得积累的好题。
复制链接

扫一扫

专栏目录

【深搜+状态压缩+动态规划(状压dp)】洛谷 P1433 吃奶酪详细解析及AC代码【三合一】

flyunicorninsky的博客

12-04

1277

房间里放着 n 块奶酪。一只小老鼠要把它们都吃掉，问至少要跑多少距离？老鼠一开始在(0,0)点处。

数据结构与算法之状压DP剪枝

weixin_47225948的博客

09-19

166

数据结构与算法之状压DP剪枝

2 条评论您还未登录，请先登录后发表或查看评论

DFS之剪枝与优化

m0_63729880的博客

07-14

410

dfs优化

OpenJ_Bailian - 4124:海贼王之伟大航路(状压dp)

I_believe_CWJ的博客

05-09

895

4124:海贼王之伟大航路查看提交统计提示提问总时间限制: 1000ms内存限制: 65536kB描述“我是要成为海贼王的男人！”，路飞一边喊着这样的口号，一边和他的伙伴们一起踏上了伟大航路的艰险历程。路飞他们伟大航路行程的起点是罗格镇，终点是拉夫德鲁（那里藏匿着“唯一的大秘宝”——ONEPIECE）。而航程中间，则是各式各样的岛屿。因为伟大航路上的气候十分异常，所以来往任意两个岛屿之间的时间差别...

背包九讲——全篇详细理解与代码实现

热门推荐

良月澪二的博客

12-04

15万+

dd_engi背包九讲的个人整理，包含代码例题及个人理解

蓝桥杯精选算法赛题——剪枝——剪格子

wzy的博客

03-20

1041

这一节我们回顾一下我们之前学的DFS、BFS。

算法学习系列（四十五）：DFS之剪枝与优化

weixin_60033897的博客

04-02

1504

关于这个 $DFS$ 的剪枝和优化确实难度是非常的大，从我这篇文章的思路和代码量上就能看出来不是一般的难度，而且难度不亚于 $DP$ ，而且这个 $DFS$ 也是花费了我三天的时间才基本把这几道例题给搞懂了，并且这种题就是没有固定的模型和套路，每个题都不一样，只有你多做题，这样在考场上才能想到这道题好像跟之前做过的题有点相似，然后再去套用模型。不可能短时间去创造一种算法，所以还是继续刷题吧，加油！

洛谷普及/提高- DP题总结

qq_49620160的博客

10-29

510

目录 P1681 最大正方形II P3183 [HAOI2016]食物链 P2904 [USACO08MAR]River Crossing S P1470 [USACO2.3]最长前缀 Longest Prefix P1922 女仆咖啡厅桌游吧 P2004 领地选择 P2327 [SCOI2005]扫雷 P2946 [USACO09MAR]Cow Frisbee Team S P2918 [USACO08NOV]Buying Hay S P5414 [YNOI2019] 排序 P1

动态规划——状态压缩dp

qq_57150526的博客

12-28

2675

状态压缩就是使用某种方法，简明扼要地以最小代价来表示某种状态，通常是用一串01数字（二进制数）来表示各个点的状态。这就要求使用状态压缩的对象的点的状态必须只有两种，0 或 1；当然如果有三种状态用三进制来表示也未尝不可。棋盘类型的题目一般要求我们依照一定的约束条件，摆放棋子，一般问棋子的数量、摆放的方案数。。。

python【数据结构与算法】剪枝策略

李响

09-28

1073

文章目录1 剪枝概述2 例题 1 剪枝概述剪枝是搜索常用的优化手段，常常能把指数级的复杂度，优化到近似多项式的复杂度。剪枝是一个比喻：把不会产生答案的，或不必要的枝条“剪掉”。剪枝的关键在于剪枝的判断：什么枝该剪、在什么地方减。 BFS的剪枝通常是判重，如果搜索到某一层时，出现重复的状态，就剪枝。例如经典的八数码问题，核心问题就是去重，把曾经搜过的八数码的组合剪去。 DFS的剪枝技术较多，有可行性剪枝、最优性剪枝、搜索顺序剪枝、排除等效冗余、记忆化搜索等等。可行性剪枝：对当前状态进行检

《英雄编程体验课》第 15 课 | C语言中的数学库

英雄哪里出来

07-05

5万+

C语言中的数学库

一篇搜索及剪枝

harry12138小白的博客

05-12

480

一、搜索是什么搜索算法就是查找解空间，他是暴力思想的具体实现，就是把每一种情况都罗列出来，然后逐一检查，找到正确答案。二、搜索的基本算法搜索的基本算法有两种：深度优先搜索（DFS, Depth-First Search）和广度优先搜索（BFS, Breadth-First Search）。搜索的主要步骤是：（1）找到所有可能的数据，并于合适的数据结构表示和存储，一般用DFS和BFS算法。...

DFS算法专题(一)——二叉树中的深搜【回溯与剪枝的初步注入】

2401_83595513的博客

09-06

1902

DFS算法专题

岛屿个数（dfs)

初九·潜龙勿用的博客

04-07

5152

小蓝得到了一副大小为M×N的格子地图，可以将其视作一个只包含字符0（代表海水）和1（代表陆地）的二维数组，地图之外可以视作全部是海水，每个岛屿由在上/下/左/右四个方向上相邻的1相连接而形成。x0y0x1y1...xk−1yk−1，其中 (x,y) 是由xiyi通过上/下/左/右移动一次得来的 (0≤i≤k−1)，此时这 k 个格子就构成了一个 “环”。

dp算法练习【7】

MADAO的博客

09-08

1281

给你一个按排序的整数数组nums，返回组成的新数组，要求也按排序。平方后，数组变为 [16,1,0,9,100]排序后，数组变为 [0,1,9,16,100]非常简单，思路平方后排序。优化：插入法。

算法刷题：300. 最长递增子序列、674. 最长连续递增序列、718. 最长重复子数组

最新发布

qq_61936886的博客

09-12

309

举个例子A[0]如果和B[0]相同的话，dp[1][1] = dp[0][0] + 1，只有dp[0][0]初始为0，正好符合递推公式逐步累加起来。但dp[i][0] 和dp[0][j]要初始值，因为为了方便递归公式dp[i][j] = dp[i - 1][j - 1] + 1;2.递推公式：当A[i - 1] 和B[j - 1]相等的时候，dp[i][j] = dp[i - 1][j - 1] + 1;3.初始化：根据dp[i][j]的定义，dp[i][0] 和dp[0][j]其实都是没有意义的！

算法知识点——常用输入输出数据的方式

5233的博客

09-12

153

除了换行之外，还会清空缓存区，而清空缓存区这件事情会耗时很久，因此为了提高速度，一般直接：cout << “\n”;2、n组输入输出(n不确定）1、n组输入输出(n确定）3、复杂的输入输出。

【Python 千题 —— 算法篇】寻找两个正序数组的中位数

繁依Fanyi的博客

09-07

1241

合并排序法：易于理解，但时间复杂度较高，适合小规模数据。双指针法：通过双指针合并数组，时间复杂度 O(m + n)，适合中等规模数据。二分查找法：通过二分查找，在较短数组上进行划分，时间复杂度为 O(log(min(m, n)))，是处理大规模数据的最佳选择。对于这种涉及高效搜索和排序的题目，掌握二分查找的应用至关重要。通过本题目，我们不仅能够提升对数组和中位数的理解，还能够学到如何优化时间复杂度，使算法在处理大规模数据时更加高效。

决策树模型——鸢尾花分类剪枝前后正确率

01-03

决策树模型是一种常用的分类算法，可以用于鸢尾花分类。剪枝是为了解决过拟合问题而进行的一种策略。在剪枝之前和剪枝之后，我们可以通过交叉验证来评估模型的正确率。下面是一个示例代码，演示了使用决策树模型对鸢尾花数据集进行分类，并比较了剪枝前后的正确率： ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score # 加载鸢尾花数据集 iris = load_iris() X = iris.data y = 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) # 构造决策树模型（剪枝前） clf_before_pruning = DecisionTreeClassifier() clf_before_pruning.fit(X_train, y_train) # 预测并计算剪枝前的正确率 y_pred_before_pruning = clf_before_pruning.predict(X_test) accuracy_before_pruning = accuracy_score(y_test, y_pred_before_pruning) # 构造决策树模型（剪枝后） clf_after_pruning = DecisionTreeClassifier(ccp_alpha=0.1) # ccp_alpha为剪枝参数 clf_after_pruning.fit(X_train, y_train) # 预测并计算剪枝后的正确率 y_pred_after_pruning = clf_after_pruning.predict(X_test) accuracy_after_pruning = accuracy_score(y_test, y_pred_after_pruning) print("剪枝前的正确率：", accuracy_before_pruning) print("剪枝后的正确率：", accuracy_after_pruning) ``` 运行以上代码，可以得到剪枝前和剪枝后的正确率。剪枝后的正确率可能会有所下降，但剪枝可以减少过拟合问题，提高模型的泛化能力。