【codevs4228】小猫爬山(最优化剪枝)

problem
  • 给出n只猫及其重量ci
  • 每辆车载重不超过w
  • 用最少的车将猫运送到山底
  • n<=18
solution

1、n<=18,暴搜。
2、关于答案:

  • 对于每只猫,要么用已有的缆车,要么新建一辆车。
  • 所以描述一个状态用:已运送多少只猫,已用多少量缆车,每辆已用的车载重多少。

3、关于剪枝

  • 最优化剪枝:当发现cnt>=ans时,显然继续下去得不到更优的方案了。
codes
#include<iostream>
#include<algorithm>
using namespace std;
const int maxn = 50;
int n, w, ans = 1e9;
int a[maxn], cab[maxn];
void dfs(int now, int cnt){
    if(cnt >= ans)return ;//最优化剪枝
    //运送完了
    if(now == n+1){
        ans = min(ans, cnt);
        return ;
    }
    //用已有的
    for(int i = 1; i <= cnt; i++){
        if(cab[i]+a[now]<=w){
            cab[i] += a[now];
            dfs(now+1,cnt);
            cab[i] -= a[now];
        }
    }
    //新建一辆
    cab[cnt+1] = a[now];
    dfs(now+1,cnt+1);
    cab[cnt+1] = 0;
}
int main(){
    cin>>n>>w;
    for(int i = 1; i <= n; i++)cin>>a[i];
    dfs(1,0);
    cout<<ans<<'\n';
    return 0;
}

转载于:https://www.cnblogs.com/gwj1314/p/9444618.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是预测隐形眼镜类型实验的决策树优化剪枝处理代码,使用Python语言实现: ```python import pandas as pd from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score from sklearn.tree import export_graphviz import graphviz # 读取数据 data = pd.read_csv('lenses.csv', header=None) data.columns = ['age', 'prescript', 'astigmatic', 'tearRate', 'class'] # 将特征值和目标值分离 feature = data.iloc[:, :-1] target = data.iloc[:, -1] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(feature, target, test_size=0.3) # 构建决策树模型 clf = DecisionTreeClassifier(criterion='entropy') clf.fit(X_train, y_train) # 输出模型在测试集上的准确率 y_pred = clf.predict(X_test) print('Accuracy:', accuracy_score(y_test, y_pred)) # 可视化决策树 dot_data = export_graphviz(clf, out_file=None, feature_names=feature.columns, class_names=target.unique(), filled=True, rounded=True, special_characters=True) graph = graphviz.Source(dot_data) graph.view() # 决策树剪枝 clf = DecisionTreeClassifier(criterion='entropy', ccp_alpha=0.01) clf.fit(X_train, y_train) # 输出剪枝后模型在测试集上的准确率 y_pred = clf.predict(X_test) print('Accuracy after pruning:', accuracy_score(y_test, y_pred)) # 可视化剪枝后的决策树 dot_data = export_graphviz(clf, out_file=None, feature_names=feature.columns, class_names=target.unique(), filled=True, rounded=True, special_characters=True) graph = graphviz.Source(dot_data) graph.view() ``` 说明: 1. 首先读取数据,将特征值和目标值分离,然后划分训练集和测试集。 2. 构建决策树模型,使用熵作为划分标准。 3. 输出模型在测试集上的准确率,并可视化决策树。 4. 进行决策树剪枝,使用ccp_alpha参数控制剪枝强度。 5. 输出剪枝后模型在测试集上的准确率,并可视化剪枝后的决策树。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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