博客
关于我
中石油训练混合训练第七场
阅读量:290 次
发布时间:2019-03-01

本文共 1686 字,大约阅读时间需要 5 分钟。

为了解决这个问题,我们需要找到消灭所有狼的最小代价。每次消灭一只狼时,需要支付这只狼的a攻击力和它旁边的狼的b攻击力。消灭一只狼后,左右两边的狼会并在一起。我们需要找到最小代价。

方法思路

  • 动态规划:我们使用一个二维数组dp[i][j],其中dp[i][j]表示从i到j这段狼的最小代价。
  • 初始状态:当i = j时,只有一只狼,代价是a[i] + b[i-1] + b[i+1](注意边界情况)。
  • 递推关系:对于区间i到j,我们可以考虑从中间一点k分割,这样代价是dp[i][k-1] + dp[k+1][j] + a[k] + b[i-1] + b[j+1]。
  • 枚举所有可能的区间:枚举所有可能的区间长度,计算每个区间的最小代价。
  • 边界处理:处理i=1和j=n的情况,确保正确计算。
  • 解决代码

    #include 
    using namespace std;ll read() { ll c = getchar(); ll Nig = 1; ll x = 0; while (!isdigit(c) && c != '-') { c = getchar(); } if (c == '-') { Nig = -1; c = getchar(); } while (isdigit(c)) { x = (x << 1) + (c - '0'); c = getchar(); } return Nig * x;}int main() { int T = read(); for (; T--; ) { int n = read(); vector
    a(n + 2), b(n + 2); for (int i = 1; i <= n; ++i) { a[i] = read(); b[i] = read(); } ll INF = 0x3f3f3f3f; vector
    > dp(n + 2, vector
    (n + 2, INF)); for (int i = 1; i <= n; ++i) { dp[i][i] = a[i] + (i > 1 ? b[i - 1] : 0) + (i < n ? b[i + 1] : 0); } for (int i = n - 1; i >= 1; --i) { for (int j = i + 1; j <= n; ++j) { ll temp1 = dp[i + 1][j] + a[i] + (i > 1 ? b[i - 1] : 0) + (j < n ? b[j + 1] : 0); ll temp2 = dp[i][j - 1] + a[j] + (i > 1 ? b[i - 1] : 0) + (j < n ? b[j + 1] : 0); dp[i][j] = min(temp1, temp2); } } cout << dp[1][n] << endl; }}

    代码解释

  • 读取输入:使用read函数读取输入数据,处理多个测试用例。
  • 初始化数组:读取a和b数组,并初始化dp数组。
  • 边界处理:当i = j时,直接计算代价。
  • 递推计算:从n-1到1枚举所有可能的区间i到j,计算最小代价。
  • 输出结果:输出dp[1][n]的值,即从第1只狼到第n只狼的最小代价。
  • 转载地址:http://uloo.baihongyu.com/

    你可能感兴趣的文章
    ollama本地部署DeepSeek(Window图文说明)
    查看>>
    onCreate()方法中的参数Bundle savedInstanceState 的意义用法
    查看>>
    one_day_one--mkdir
    查看>>
    ONI文件生成与读取
    查看>>
    oobbs开发手记
    查看>>
    OpenCV 中的图像转换
    查看>>
    opencv&Python——多种边缘检测
    查看>>
    OpenCV-Python接口、cv和cv2的性能比较
    查看>>
    opencv26-模板匹配
    查看>>
    opencv5-图像混合
    查看>>
    opencv9-膨胀和腐蚀
    查看>>
    OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
    查看>>
    OpenCV与AI深度学习 | 使用Python和OpenCV实现火焰检测(附源码)
    查看>>
    OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
    查看>>
    OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
    查看>>
    OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
    查看>>
    OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
    查看>>
    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>>