洛谷试练场2-15动态规划的背包问题

P1060 开心的金明

题目传送门:luogu1060

在这里插入图片描述在这里插入图片描述

//开心的金明
#include<bits/stdc++.h>
int n,m,v[28],w[28],maxt,f[28][30010]; 
using namespace std;
int main()
{
    scanf("%d%d",&n,&m);
    for(int i=1;i<=m;i++)
        scanf("%d%d",&v[i],&w[i]);
    for(int i=1;i<=m;i++)
        for(int j=1;j<=n;j++)
        {
        	f[i][j]=f[i-1][j];
        	if(v[i]<=j&&v[i]*w[i]+f[i-1][j-v[i]]>f[i][j]) f[i][j]=v[i]*w[i]+f[i-1][j-v[i]];
        }
    printf("%d",f[m][n]);
    return 0;
}

P1164 小A点菜

题目传送门:luogu1164

在这里插入图片描述在这里插入图片描述

//小A点菜(2)
#include<bits/stdc++.h>
using namespace std;
int n,m,a[105],f[10003];
int main()
{
	memset(a,0,sizeof(a));
	scanf("%d%d",&n,&m);
	for(int i=1;i<=n;i++)
	    scanf("%d",&a[i]);
	f[0]=1;                 //初始化很重要 
    for(int i=1;i<=n;i++)
        for(int j=m;j>=a[i];j--)
        	f[j]+=f[j-a[i]];
	printf("%d",f[m]);
	return 0;
} 

P1064 金明的预算方案

题目传送门:luogu1064

在这里插入图片描述
在这里插入图片描述

略玄学,不建议,

//金明的预算方案
#include<bits/stdc++.h>
using namespace std;
int n,m,f[62][32002],p[62][32002];
struct zjfj
{
    int v,w,q,h;
};
zjfj zhu[63];
bool cmp(const zjfj &a,const zjfj &b)
{
    if(a.h==b.h) return a.q<b.q;
    else return a.h<b.h;
}
int main()
{
    memset(f,0,sizeof(f));
    memset(p,0,sizeof(p));
    scanf("%d%d",&n,&m);
    for(int i=1;i<=m;i++)
    {
        scanf("%d%d%d",&zhu[i].v,&zhu[i].w,&zhu[i].q);
    	if(zhu[i].q==0) zhu[i].h=i;
    	else zhu[i].h=zhu[i].q;
    }
    sort(zhu+1,zhu+m+1,cmp);
    for(int i=1;i<=m;i++)
        for(int j=1;j<=n;j++)
    {
        
        f[i][j]=f[i-1][j];
        if(zhu[i].q!=0) p[i][j]=p[i-1][j];
        int k;
        k=j-zhu[i].v;
        if(zhu[i].v<=j)
        {
        	if((zhu[i].q==0||(zhu[i].q!=0&&p[i-1][k]==1))&&f[i-1][k]+zhu[i].v*zhu[i].w>f[i][j])
            {
        	    f[i][j]=f[i-1][k]+zhu[i].v*zhu[i].w;
        	    p[i][j]=1;
            }
            if(zhu[i].q!=0&&p[i-1][k]==0&&zhu[i].v+zhu[zhu[i].q].v<j&&f[i-1][k-zhu[zhu[i].q].v]+zhu[i].v*zhu[i].w+zhu[zhu[i].q].v*zhu[zhu[i].q].w>f[i][j])
            {
        	    if(p[i-1][k-zhu[zhu[i].q].v]==0)
        	    {
        	    	f[i][j]=f[i-1][k-zhu[zhu[i].q].v]+zhu[i].v*zhu[i].w+zhu[zhu[i].q].v*zhu[zhu[i].q].w;
        	    	p[i][j]=1;
                }
            }
        }
        
    }
    printf("%d",f[m][n]);
    return 0;
}

P1048 采药

题目传送门:luogu1048

在这里插入图片描述

#include<iostream>
using namespace std;
int t[1002],m[102],t1,m1,f[1002][1002],i,j;
int main()
{
    cin>>t1>>m1;
    for(i=1;i<=m1;i++)
        cin>>t[i]>>m[i];
    for(i=1;i<=m1;i++)
        for(j=1;j<=t1;j++)
        {
        	f[i][j]=f[i-1][j];
        	if((j>=t[i])&&((f[i-1][j-t[i]]+m[i])>f[i-1][j]))
        	    f[i][j]=f[i-1][j-t[i]]+m[i];
        }
    cout<<f[m1][t1];
    return 0;
}

P1049 装箱问题

题目传送门:luogu1049

在这里插入图片描述

//装箱问题 
#include<bits/stdc++.h> 
using namespace std;
int v,n,a[32],f[32][20003];
int main()
{
    memset(f,0,sizeof(f));
    scanf("%d%d",&v,&n);
    for(int i=1;i<=n;i++)
        scanf("%d",&a[i]);
    for(int i=1;i<=n;i++)
        for(int j=1;j<=v;j++)
        {
        	f[i][j]=f[i-1][j];
        	if(a[i]<=j&&a[i]+f[i-1][j-a[i]]>f[i][j]&&a[i]+f[i-1][j-a[i]]<=v) f[i][j]=a[i]+f[i-1][j-a[i]]; 
        	
        }
    printf("%d",v-f[n][v]);
    return 0;
}

P1616 疯狂的采药

题目传送门:luogu1616

在这里插入图片描述

//疯狂的采药
#include<bits/stdc++.h>
using namespace std;
int t,m,a[10003],v[10003],f[100002];
int main()
{
    scanf("%d%d",&t,&m);
    for(int i=1;i<=m;i++)
    {
        scanf("%d%d",&a[i],&v[i]);
        for(int j=a[i];j<=t;++j){
        	f[j]=max(f[j],f[j-a[i]]+v[i]);
        }
    }
    printf("%d",f[t]);
    return 0;
}
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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