HDU 4501

小明系列故事-买年货

背包问题。不过有多个属性。

注意要点:

每种物品只有一件,需要从大到小dp。

注意不要将一件物品放入多次。同代码。

#include <cstdio>
#include <cstring>
#include <iostream>

using std::memset;
using std::max;

int dp[101][101][6];
int goods[101][3];
int n,v1,v2,k;

int main()
{
	while(scanf("%d%d%d%d", &n, &v1, &v2, &k)!=EOF)
	{
		for(int i = 0 ; i < n; i++)
		{
			scanf("%d%d%d", &goods[i][0], &goods[i][1], &goods[i][2]);
		}

		memset(dp, 0, sizeof(dp));

		for(int i = 0 ; i < n; i++)
		{
			for(int j = v1 ; j >= 0; j--)
			{
				for(int l = v2; l >= 0; l--)
				{
					for(int m = k; m >= 0; m--)
					{
						int val1 = 0, val2 = 0, val3 = 0;
						if(j >= goods[i][0])
						{
							val1 = dp[j-goods[i][0]][l][m] + goods[i][2];
						}
						if(l >= goods[i][1])
						{
							val2 = dp[j][l-goods[i][1]][m] + goods[i][2];
						}
						if(m >= 1)
						{
							val3 = dp[j][l][m-1] + goods[i][2];
						}

						dp[j][l][m] = max(val1, max(val2, max(dp[j][l][m], val3)));
						//if(j >= goods[i][0]) // 这里不能这么写。因为此处的更新会导致一个物品放入了多次
						//{
						//	dp[j][l][m] = max(dp[j-goods[i][0]][l][m] + goods[i][2], dp[j][l][m]);
						//}
						//if(l >= goods[i][1])
						//{
						//	dp[j][l][m] = max(dp[j][l-goods[i][1]][m] + goods[i][2], dp[j][l][m]);
						//}
						//if(m >= 1)
						//{
						//	dp[j][l][m] = max(dp[j][l][m-1] + goods[i][2], dp[j][l][m]);
						//}
					}
				}
			}
		}

		int ans = 0;
		for(int i = 0 ; i <= v1; i++)
		{
			for(int j = 0 ; j <= v2; j++)
			{
				if(ans < dp[i][j][k])
				{
					ans = dp[i][j][k];
				}
			}
		}
		printf("%d\n", ans);
	}
}


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    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: 安全监控:在商场、银行
评论 1
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