博客
关于我
【倍增dp】P3462 [POI2007]ODW-Weights
阅读量:303 次
发布时间:2019-03-03

本文共 1889 字,大约阅读时间需要 6 分钟。

砝码的质量通常是按倍数递增的,比如常见的1、2、4等。这种特性使得我们可以将容器的容量表示为多进制的形式。例如,使用1、2、4这样的砝码,容器的容量可以表示为(2,0,1)。接下来,我们需要将所有盒子的进制数组合并,并累加每个进制位的最大容量。

在实现上,我们可以采用贪心算法来处理每个砝码。具体步骤如下:

  • 去重处理:首先对砝码进行去重,确保每个砝码的重量唯一。

  • 进制转换:将每个盒子的容量转换为对应的进制形式。对于每个砝码,计算其在当前进制位上的最大容量,并累加到总和中。

  • 处理进制位:从高位到低位依次处理每个进制位。如果当前进制位有值,直接将其加入总和;如果没有值,寻找其前面最近的有值的进制位,并借用该值来计算当前位的容量。

  • 通过这种方法,我们可以高效地计算出所有盒子的进制数组的总和,并确定每个进制位的最大容量。这种贪心策略不仅简化了计算过程,还能确保结果的准确性。

    以下是代码实现的核心逻辑:

    #include 
    using namespace std;const int maxn = 100001;int a[maxn], box[maxn], n, m, aa[maxn], ans, k, cnt, flag = 1, f[33];bool cmp(int a, int b) { return a > b; }int main() { scanf("%d%d", &n, &m); for (int i = 1; i <= n; i++) scanf("%d", &box[i]); for (int i = 1; i <= m; i++) scanf("%d", &a[i]); sort(a + 1, a + 1 + m, cmp); for (int i = 1; i <= m; i++) { if (a[i] != a[i - 1]) aa[++cnt] = a[i]; } for (int i = 1; i <= n; i++) { for (int k = 1; k <= cnt; k++) { f[k] += box[i] / aa[k]; box[i] %= aa[k]; } } f[0] = 1; sort(a + 1, a + 1 + m); for (int i = 1; i <= m; i++) { int x = a[i]; for (int j = cnt; j >= 1; j--) { if (aa[j] < x) continue; for (k = j; k >= 1; k--) { if (aa[k] < x || !f[k]) continue; if (!f[k]) { for (p = k; p >= 1; p--) { if (aa[p] <= x) { f[k] -= f[p]; x -= aa[p] * f[p]; } } if (!f[k]) { printf("%d\n", ans); return 0; } } } } } printf("%d\n", ans); return 0;}

    代码主要包含以下几个部分:

  • 输入处理:读取输入数据并解析。

  • 去重处理:对砝码进行去重,得到唯一的砝码重量。

  • 进制转换:将每个盒子的容量转换为对应的进制形式。

  • 贪心处理:从高位到低位处理每个进制位,计算总和并输出结果。

  • 通过上述方法,我们可以高效地解决问题,并确保结果的准确性。

    转载地址:http://jdwm.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
    查看>>
    OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
    查看>>
    OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
    查看>>
    OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
    查看>>
    OpenCV与AI深度学习 | 基于YoloV11自定义数据集实现车辆事故检测(有源码,建议收藏!)
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8实现高级目标检测和区域计数
    查看>>
    VS2003 Front Page Server Extension
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
    查看>>
    OpenCV与AI深度学习 | 基于YoloV8的药丸/片剂类型识别
    查看>>
    OpenCV与AI深度学习 | 基于YOLO和EasyOCR从视频中识别车牌
    查看>>
    OpenCV与AI深度学习 | 基于图像处理的火焰检测算法(颜色+边缘)
    查看>>
    OpenCV与AI深度学习 | 基于拉普拉斯金字塔实现图像融合(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 基于改进YOLOv8的景区行人检测算法
    查看>>
    OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
    查看>>
    OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
    查看>>
    OpenCV与AI深度学习 | 如何使用YOLO-World做目标检测
    查看>>
    OpenCV与AI深度学习 | 如何使用YOLOv9分割图像中的对象
    查看>>
    OpenCV与AI深度学习 | 如何使用YOLOv9检测图片和视频中的目标
    查看>>
    OpenCV与AI深度学习 | 如何在 Docker 容器中使用 GPU
    查看>>