小明系列故事——买年货(HDU)

16 篇文章 0 订阅

题意理解

有n个可以买的年货,每个年货有单价,抵扣的积分和实际的价值,小明手里有v1的钱,v2的积分,可免费的年货数量k。问如何买才能使年货总的价值最大?

http://acm.hdu.edu.cn/showproblem.php?pid=4501

问题分析

多维01背包问题,用dp。

动态规划要找状态,然后找状态转移方程。对于本题,状态是dp[ii][jj][kk][ll],表示前ii个年货花了jj钱,花了kk积分, 用ll免费数量后的最大价值。

转移方程分四种来源,dp[ii-1][jj][kk][ll]前ii-1个年货花了jj钱,kk积分,ll免费数量的最大价值;

dp[ii-1][jj-p[ii]][kk][ll] +v[ii] 前ii-1个年货花了jj-p[ii]钱,kk积分,ll免费数量的最大价值,加上第ii个年货的价值;

dp[ii-1][jj][kk-b[ii][ll] + v[ii] 前ii-1个年货花了jj钱,kk-b[ii]积分,ll免费数量的最大价值,加上第ii个年货的价值;

dp[ii-1][jj][kk][ll-1] +v[ii]前ii-1个年货花了jj钱,kk积分,ll-1个免费数量的最大价值,加上第ii个年货的价值。

取这四个来源的最大值就是当前的状态的最大值。

前ii状态的最大价值只和ii-1状态的最大价值有关,可以用同一个存储空间保存前ii-1的最大价值和前ii的最大价值。这样转移方程就变成了

dp[jj][kk][ll] = max(dp[jj][kk][ll], dp[jj-p[ii]][kk][ll] + v[ii], dp[jj][kk-b[ii][ll] + v[ii], dp[jj][kk][ll-1] + v[ii])

实际程序,需要四重循环,四重循环分别表示对于每前ii个年货,不同钱,不同积分,不同免费数量下的最大价值。每重循环的开始结束条件分别是ii:[1,n], jj:[0,v1], kk:[0,v2], ll:[0,k],  转移方程可以变成三维,但是时间复杂还是n^4。

 

其他

背包问题是dp的典型应用,要点是找状态,找状态转移方程;

其次,实现dp的算法,需要理解不管优化前优化后,所存储的动态规划值都是累积值,这个累计值是将n个物品排个序,分成前一个物品的最大价值,前两个物品的最大价值,。。。,前n个物品的最大价值;还要理解对体积,重量,总钱数的限定,影响到循环的初始值是0,还是当前物品的对应的体积,重量,或是单价。

链接

https://github.com/xierensong/learngit/blob/master/hdu/4501/4501.cpp

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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