PTA 7-3 切原木问题 (25分)

7-3 切原木问题 (25分)

给定一根长度为N米的原木;另有一个分段价格表,给出长度L1,L2,…Li,…Lk米所对应的价格P1,P2…Pk(Li,Pi均为正整数),求切割原木分段出售所能获得的最大收益。 例如,根据下面给出的价格表,

Li 1 2 3 4 5 6 7 8 9 10
Pi 1 5 8 9 10 17 17 20 23 28
若要出售一段8米长的原木,最优解是将其切割为2米和6米的两段,这样可以获得最大收益=L2+L6=5+17=22。而若要出售一段3米长的原木,最优解是根本不要切割,直接售出。

输入格式:
首行输入N,k,紧接着第二行为k个Li(递增有序)和第三行对应的k个Pi值。 (0<N,k<1000) 。

输出格式:
对应原木的最大切割收益(题目中保证最大收益值在int范围)。

输入样例:
在这里给出一组输入。例如:

8 10
1 2 3 4 5  6  7  8  9  10
1 5 8 9 10 17 17 20 23 28

输出样例:
在这里给出相应的输出。例如:

22

问题解析:

本题是典型的动态规划中的完全背包问题

题解:

#include<bits/stdc++.h>
using namespace std;
int N,k;
int Li[1000],Pi[1000];
int dp[1000][1000],fk[1000][1000];
int maxv;
int solve(){
	int i,j,m;
	for(i=1;i<=k;i++){
		for(j=0;j<=N;j++)
		for(m=0;m*Li[i]<=j;m++){
			if(dp[i][j]<dp[i-1][j-m*Li[i]]+m*Pi[i])
			{
				dp[i][j]=dp[i-1][j-m*Li[i]]+m*Pi[i];
				fk[i][j]=m;
			}
		}
	}
	return dp[k][N];
}
int main(){
	cin>>N>>k;
	for(int i=1;i<=k;i++){
		cin>>Li[i];
	}
	for(int i=1;i<=k;i++){
		cin>>Pi[i];
	}
	maxv=solve();
	cout<<maxv<<endl;
	return 0;
}
  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
原木识别的代码需要使用图像处理和机器学习技术,以下是一个基本的流程示例: 1. 准备数据集。这个数据集需要包含原木的图片和对应的标签,标签可以是原木的种类或者处理后的尺寸等信息。 2. 数据预处理。将数据集中的图片进行预处理,如裁剪、缩放、增强等操作,以便于后续的模型训练。 3. 特征提取。从预处理后的图片中提取特征,如颜色、纹理、形状等。 4. 模型训练。使用机器学习算法,如支持向量机(SVM)、随机森林(Random Forest)等,对提取的特征进行训练,生成一个原木类模型。 5. 模型测试。使用测试集对模型进行测试和评估,检查模型的准确性和性能。 以下是一个简单的Python代码示例: ```python import cv2 import os import numpy as np from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier # 1. 准备数据集 data = [] labels = [] for filename in os.listdir('wood_images'): img = cv2.imread('wood_images/'+filename) img = cv2.resize(img, (100, 100)) data.append(img) labels.append(filename.split('_')[0]) # 假设文件名格式为 "种类_编号.jpg" # 2. 数据预处理 data = np.array(data) data = data.reshape(data.shape[0], -1).astype(np.float32) data /= 255.0 # 3. 特征提取 # 可以使用图像处理库如OpenCV来提取图像特征 # 4. 模型训练 train_data, test_data, train_labels, test_labels = train_test_split(data, labels, test_size=0.2, random_state=42) rfc = RandomForestClassifier(n_estimators=100, max_depth=10, random_state=42) rfc.fit(train_data, train_labels) # 5. 模型测试 score = rfc.score(test_data, test_labels) print("Accuracy:", score) ``` 这个示例使用了随机森林算法进行原木类,你可以根据实际情况选择更适合的算法

“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 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