分治类dp:1017T3

http://cplusoj.com/d/senior/p/SS231017C

感觉可以分治某个区间 [ l , r ] [l,r] [l,r],且他们都是在下面 k k k 已经选的基础上

然后肯定要枚举最大值,最大值越长越好


Hint 1

在这里插入图片描述

Hint 2

f ( l , r , k ) f(l, r, k) f(l,r,k) 可以通过枚举 m i d mid mid,或者枚举 k ′ k' k 进行暴力转移


根据Hint1,我们区间最大如果选则必然是选整个区间,高度是最小值,然后往最小值两边递归

同理,如果最大值不选则是往最大值两边递归

这是一个按最大最小分治的过程,可以通过记忆化来优化

#include<bits/stdc++.h>
using namespace std;
#define int long long
inline int read(){int x=0,f=1;char ch=getchar(); while(ch<'0'||
ch>'9'){if(ch=='-')f=-1;ch=getchar();}while(ch>='0'&&ch<='9'){
x=(x<<1)+(x<<3)+(ch^48);ch=getchar();}return x*f;}
#define Z(x) (x)*(x)
#define pb push_back
//mt19937 rand(time(0));
//mt19937_64 rand(time(0));
//srand(time(0));
#define N 3010
//#define M
//#define mo
struct Num {
	int x, id; 
}mx[N][22], mn[N][22];
int n, m, i, j, k, T;
int a[N], Log2[N]; 
map<pair<int, int>, int>f[N]; 

Num max(Num a, Num b) {
	return (a.x>b.x ? a : b); 
}

Num min(Num a, Num b) {
	return (a.x<b.x ? a : b); 
}


Num Mx(int l, int r) {
	int k = Log2[r-l+1]; 
	return max(mx[l][k], mx[r-(1<<k)+1][k]); 
}

Num Mn(int l, int r) {
	int k = Log2[r-l+1]; 
	return min(mn[l][k], mn[r-(1<<k)+1][k]); 
}

int S(int r, int n) { // 末项、公差 
	int l = r - n + 1; 
	return (l+r)*n/2; 
}

int dfs(int l, int r, int k) {
	if(l>r) return 0; 
	if(f[l].find({r, k})!=f[l].end()) return f[l][{r, k}]; 
	Num x, y; x=Mx(l, r); y=Mn(l, r); 
	int ans=1e18; 
//	printf("%lld %lld\n", x.id, y.id); 
	ans=min(ans, a[x.id]-k+dfs(l, x.id-1, k)+dfs(x.id+1, r, k)); 
	ans=min(ans, S(a[x.id]-k, a[y.id]-k)+dfs(l, y.id-1, a[y.id])+dfs(y.id+1, r, a[y.id])); 
	return f[l][{r, k}]=ans; 
}

signed main()
{
///	freopen("in.txt", "r", stdin);
//	freopen("out.txt", "w", stdout);
	freopen("cake.in","r",stdin);
	freopen("cake.out","w",stdout);
//	T=read();
//	while(T--) {
// 
//	}
	n=read(); 
	for(i=1; i<=n; ++i) a[i]=read();
	for(i=1; i<=n; ++i) mx[i][0].x=a[i], mx[i][0].id=i; 
	for(i=1; i<=n; ++i) mn[i][0].x=a[i], mn[i][0].id=i; 
	for(i=2; i<=n; ++i) Log2[i]=Log2[i>>1]+1; 
	for(k=1; k<=20; ++k)
		for(i=1, j=(1<<k-1)+1; i+(1<<k)-1<=n; ++i, ++j)
			mx[i][k]=max(mx[i][k-1], mx[j][k-1]), 
			mn[i][k]=min(mn[i][k-1], mn[j][k-1]); 
	printf("%lld", dfs(1, n, 0)); 
	return 0;
}


【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 别1 1: immature 别2 2: mid-ripe 别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
本项目是一个基于SSM(Spring+SpringMVC+MyBatis)框架和Vue.js前端技术的二手手机回收平台系统。该系统旨在为二手手机回收提供一个便捷、高效的在线交易平台,同时确保交易的安全性和透明度。 在后台管理方面,系统提供了用户管理、商品管理、订单管理以及数据统计等功能。通过这些功能,管理员能够轻松地管理平台上的用户信息、审核商品发布、跟踪订单状态,并对平台的运营数据进行详细的分析。 在前端展示上,系统采用了Vue.js框架,实现了响应式的用户界面设计。用户可以通过直观的界面浏览商品、发布自己的二手手机信息、下订单以及查看交易记录。此外,系统还提供了搜索和筛选功能,帮助用户快速找到符合自己需求的商品。 技术实现上,后端使用了Java语言,结合Spring框架进行依赖注入和事务管理,SpringMVC负责处理Web请求,而MyBatis则用于数据库操作。前端则使用Vue.js进行页面渲染和交互逻辑处理,搭配Axios进行异步数据请求。 本项目的数据库设计充分考虑了数据的完整性和安全性,采用了关系型数据库MySQL进行数据存储。数据库表结构包括用户表、商品表、订单表等,确保了系统的高效运行和数据的一致性。 对于正在进行毕业设计的学生或需要项目实战练习的Java学习者来说,本项目提供了一个完整的技术栈和业务逻辑实现,可以作为学习和实践的良好参考。
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