博客
关于我
8615 快乐
阅读量:619 次
发布时间:2019-03-13

本文共 1618 字,大约阅读时间需要 5 分钟。

8615 快乐

该题有题解

时间限制:500MS 代码长度限制:10KB

提交次数:312 通过次数:98

题型: 编程题 语言: G++;GCC

Description

Lian是一个喜欢看动画片的人,自从成为ACMer(ACM爱好者)之后,他又迷上了网上做题。做题让他快乐,不过这也是需要付出精力的!!

假设有n道题,Lian做出第i道题后,他可以获得的快乐指数将增加gethappy[i],而消耗掉的精力将是losspow[i]。
假设Lian初始的快乐指数为1,精力为2000。可以理解,如果他消耗完了所有的精力那他得到再多的快乐都没有用。
你的任务就是帮他计算他所能得到的最多的快乐指数,且最后他依然有多余的精力(即至少为1)。

输入格式

第一行输入一个整数n,表示有n道题。(n<=50)

第二行输入n个整数,表示gethappy[1]到gethappy[n]
第三行输入n个整数,表示losspow[1]到losspow[n]。

输出格式

一个整数,表示Lian所能获得的最大快乐指数。

输入样例

3

15 23 61
350 1301 1513

输出样例

77

#define _CRT_SECURE_NO_WARNINGS#include "stdio.h"#include "stdlib.h"#include "iostream"#include 
using namespace std;#include
#include
//背包问题//因为要留1精力 所以最大为1999#define MAXPOW 1999//在堆里定义一个 dp数组表示 在第i题还有j容量时的最大快乐值 并且初始值已为0int dp[55][2005];//写个max函数int max(int a, int b) { if (a >= b)return a; else return b;}int main(void) { //节省时间 ios::sync_with_stdio(0), cin.tie(0); int n; cin >> n; int* gethappy = new int[n + 1]; int* losspow = new int[n + 1]; for (int i = 1; i <= n; i++) cin >>gethappy[i] ; for (int i = 1; i <= n; i++) cin >> losspow[i]; for (int i = 1; i <= n; i++) { for (int j = 1; j <= MAXPOW; j++) { //如果最大精力j( 不是 还剩下的精力值!)能够做第i题 if (j >= losspow[i]) { //那么会有两个选择 不做 做 //不做:快乐值dp[i][j]=上一题[i-1][j] 精力不变 //做: 快乐值dp[i][j]=上一题[i-1][K] + gethappy[i] K=最大精力-需要精力=j-losspow[i] 找到那个状态的dp格子然后+快乐值 //然后比较这两者 是谁的大 谁大谁最优 dp[i][j] = max(dp[i-1][j],dp[i-1][j-losspow[i]]+gethappy[i]); } else { //如果最大精力j也做不了i题 //那么就不做i题 当前[i][j]=上一题[i-1][j] dp[i][j] = dp[i-1][j]; } } } //输出的时候要+1 因为原来留了1精力 cout << dp[n][MAXPOW] + 1; return 0;}

转载地址:http://olraz.baihongyu.com/

你可能感兴趣的文章
NLog类库使用探索——详解配置
查看>>
NLP 基于kashgari和BERT实现中文命名实体识别(NER)
查看>>
NLP 模型中的偏差和公平性检测
查看>>
Vue3.0 性能提升主要是通过哪几方面体现的?
查看>>
NLP 项目:维基百科文章爬虫和分类【01】 - 语料库阅读器
查看>>
NLP_什么是统计语言模型_条件概率的链式法则_n元统计语言模型_马尔科夫链_数据稀疏(出现了词库中没有的词)_统计语言模型的平滑策略---人工智能工作笔记0035
查看>>
NLP、CV 很难入门?IBM 数据科学家带你梳理
查看>>
NLP三大特征抽取器:CNN、RNN与Transformer全面解析
查看>>
NLP入门(六)pyltp的介绍与使用
查看>>
NLP学习笔记:使用 Python 进行NLTK
查看>>
NLP度量指标BELU真的完美么?
查看>>
NLP的不同研究领域和最新发展的概述
查看>>
NLP的神经网络训练的新模式
查看>>
NLP采用Bert进行简单文本情感分类
查看>>
NLP问答系统:使用 Deepset SQUAD 和 SQuAD v2 度量评估
查看>>
NLP项目:维基百科文章爬虫和分类【02】 - 语料库转换管道
查看>>
NLP:从头开始的文本矢量化方法
查看>>
NLP:使用 SciKit Learn 的文本矢量化方法
查看>>
NLTK - 停用词下载
查看>>
nmap 使用总结
查看>>