【动态规划】睡觉

PROBLEM 3 睡觉

 

问题描述:

为了提高程序解题能力,勤奋努力的QQ天天锯题到深夜,导致睡眠严重不足,可NOIP决赛就要来临了,必须要有良好的状态才行啊,因此QQ决定准备拿出一天时间,好好补补觉。

他把这一天等分成了n个时间段,在每个时间段睡觉能获得精神点数不尽相同,在第i段时间能获得V[i]的精神点数。

由于勤奋的QQ觉得整天都睡太堕落了,他决定最多只能睡m个时间段。至于其他的时间吗...那自然是勤奋地锯题...

有两点事情要特别提出注意:

1.QQ不可能一上床马上睡着,他在连续一段睡觉时间的第一个时间段不能获得此时的V。也就是说如果他在i...j中的所有时间都休息了,获得的精神点数为V[i+1]+...+V[j]。

2.所有的时间段呈环形分布,也就是说第n个时间段之后为第1个时间段。

要求的自然是QQ最多能获得的精神点数之和。

 

输入格式:

第一行两个正整数n,m,意义如题所述

接下来n行,每行一个非负整数V[i]

 

输出格式:

一行,表示QQ最多能获得的精神点数之和

 

输入样例:

5 3

2

0

3

1

4

 

输出样例:

  6

 

样例解释:

选择4、5、1三个时间段休息,在5、1时睡着,最大值为4+2=6

 

数据范围:

对于20%的数据n<=20

对于50%的数据n<=200

对于100%的数据n<=5000,m<=n,V[i]<=10000



这道题和最近做的一道环形动规比较相似,断链方式都是分别讨论起点的状态。可以降低一维。

如果起点要睡,则从后面开始睡睡到起点不停止。

如果起点不睡,则按照一般的方法转移。


但是注意滚动,不滚动的话,因为赋初值会超时两组。


#include <cstdio>
#include <cstring>
#include <string>
#define max(a,b) ((a)>(b)?(a):(b))

long v[5010];
long f[5010][2];

long getint()
{
	long rs=0;bool sgn=1;char tmp;
	do tmp=getchar();
	while (!isdigit(tmp)&&tmp-'-');
	if (tmp=='-'){tmp=getchar();sgn=0;}
	do rs=(rs<<3)+(rs<<1)+tmp-'0';
	while (isdigit(tmp=getchar()));
	return sgn?rs:-rs;
}

int main()
{
	freopen("sleep.in","r",stdin);
	freopen("sleep.out","w",stdout);

	long n = getint();
	long m = getint();

	if (m == 0)
	{
		printf("0");
		return 0;
	}

	for (long i=1;i<n+1;i++)
		v[i+n] = v[i] = getint();

	if (n == m)
	{
		long sum = 0;
		long miv = 0x3f3f3f3f;
		for (long i=1;i<n+1;i++)
		{
			if (v[i] < miv)
				miv = v[i];
			sum += v[i];
		}
		printf("%ld",sum-miv);
		return 0;
	}

	long ans = -0x3f3f3f3f;

	//--------------------------------- 一时刻要睡到末尾完后接着睡1
	memset(f,~0x3f,sizeof f);
	f[1][1&1] = 0;
	f[2][2&1] = v[2];
	for (long i=3;i<n+1;i++)
		f[i][2&1] = 0;
	for (long j=3;j<m+1;j++)
	{
		long great = -0x3f3f3f3f;
		for (long i=1;i<n+1;i++)
		{
			great = max(great,f[i-1][(j&1)^1]);
			f[i][j&1] = max(great,f[i-1][(j&1)^1]+v[i]);
		}
	}
	for (long i=1;i<n;i++)
		ans = max(ans,f[i][m&1]);
	ans = max(ans,f[n][m&1]+v[1]);
	//--------------------------------- 一时刻不睡
	memset(f,~0x3f,sizeof f);
	f[1][1&1] = -0x3f3f3f3f;
	for (long i=2;i<n+1;i++)
		f[i][1&1] = 0;
	for (long j=2;j<m+1;j++)
	{
		long great = -0x3f3f3f3f;
		for (long i=1;i<n+1;i++)
		{
			great = max(great,f[i-1][(j&1)^1]);
			f[i][j&1] = max(great,f[i-1][(j&1)^1]+v[i]);
		}
	}
	for (long i=1;i<n+1;i++)
		ans = max(ans,f[i][m&1]);
	//----------------------------------
	printf("%ld",ans);
	return 0;
}


  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    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
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