区间DP模型
目录
- 环形石子合并
- 思路
- 代码实现
- 能量项链
- 代码实现
- 加分二叉树
- 思路
- 代码实现
- 凸多边形的划分
- 代码实现
- 棋盘分割
- 题目描述
- 输入格式
- 输出格式
- 样例 #1
- 样例输入 #1
- 样例输出 #1
- 佬的题解
- 代码实现
环形石子合并
题目描述:
将 n n n 堆石子绕圆形操场排放,现要将石子有序地合并成一堆。
规定每次只能选相邻的两堆合并成新的一堆,并将新的一堆的石子数记做该次合并的得分。
请编写一个程序,读入堆数 n n n 及每堆的石子数,并进行如下计算:
选择一种合并石子的方案,使得做
n
−
1
n−1
n−1 次合并得分总和最大。
选择一种合并石子的方案,使得做
n
−
1
n−1
n−1 次合并得分总和最小。
输入格式
第一行包含整数
n
n
n,表示共有
n
n
n 堆石子。
第二行包含 n n n 个整数,分别表示每堆石子的数量。
输出格式
输出共两行:
第一行为合并得分总和最小值,第二行为合并得分总和最大值。
数据范围
1
≤
n
≤
200
1≤n≤200
1≤n≤200
输入样例:
4
4 5 9 4
输出样例:
43
54
思路
通过把原数组复制元素扩容到原来的两倍,这样便利起始位置 start
为
[
0
,
n
)
[0, n)
[0,n),长度为
n
n
n,这样终止位置便为
[
0
+
n
−
1
,
n
+
n
−
1
)
[0 + n - 1, n + n - 1)
[0+n−1,n+n−1),用普通的石子区间DP遍历这样的几个
s
t
a
r
t
start
start 就可以得到最终答案。这样模拟起始位置相当于,模拟环状的各种断裂位置。
代码实现
import sys
from math import inf
input = sys.stdin.readline
n = int(input().strip())
nums = list(map(int, input().strip().split()))
nums = nums + nums
s = [0 for _ in range(2 * n + 1)]
for i in range(2 * n):
s[i + 1] = s[i] + nums[i]
f = [[0 for _ in range(2 * n)] for _ in range(2 * n)]
for i in range(2 * n - 2, -1, -1):
for j in range(i + 1, 2 * n - 1):
f[i][j] = min(f[i][k] + f[k + 1][j] + s[j + 1] - s[i] for k in range(i, j))
print(min(f[start][start + n - 1] for start in range(n)))
f = [[0 for _ in range(2 * n)] for _ in range(2 * n)]
for i in range(2 * n - 2, -1, -1):
for j in range(i + 1, 2 * n - 1):
f[i][j] = max(f[i][k] + f[k + 1][j] + s[j + 1] - s[i] for k in range(i, j))
print(max(f[start][start + n - 1] for start in range(n)))
能量项链
题目描述:
在 M a r s Mars Mars 星球上,每个 M a r s Mars Mars 人都随身佩带着一串能量项链,在项链上有 N N N 颗能量珠。
能量珠是一颗有头标记与尾标记的珠子,这些标记对应着某个正整数。
并且,对于相邻的两颗珠子,前一颗珠子的尾标记一定等于后一颗珠子的头标记。
因为只有这样,通过吸盘(吸盘是 M a r s Mars Mars 人吸收能量的一种器官)的作用,这两颗珠子才能聚合成一颗珠子,同时释放出可以被吸盘吸收的能量。
如果前一颗能量珠的头标记为 m m m,尾标记为 r r r,后一颗能量珠的头标记为 r r r,尾标记为 n n n,则聚合后释放的能量为 m × r × n m×r×n m×r×n( M a r s Mars Mars 单位),新产生的珠子的头标记为 m m m,尾标记为 n n n。
需要时, M a r s Mars Mars 人就用吸盘夹住相邻的两颗珠子,通过聚合得到能量,直到项链上只剩下一颗珠子为止。
显然,不同的聚合顺序得到的总能量是不同的,请你设计一个聚合顺序,使一串项链释放出的总能量最大。
例如:设 N = 4 N=4 N=4, 4 4 4 颗珠子的头标记与尾标记依次为 ( 2 , 3 ) ( 3 , 5 ) ( 5 , 10 ) ( 10 , 2 ) (2, 3) (3, 5) (5, 10) (10, 2) (2,3)(3,5)(5,10)(10,2)。
我们用记号 ⊕ ⊕ ⊕ 表示两颗珠子的聚合操作, ( j ⊕ k ) (j⊕k) (j⊕k) 表示第 j , k j, k j,k 两颗珠子聚合后所释放的能量。则第 4 、 1 4、1 4、1 两颗珠子聚合后释放的能量为: ( 4 ⊕ 1 ) = 10 × 2 × 3 = 60 (4⊕1) = 10×2×3 = 60 (4⊕1)=10×2×3=60。
这一串项链可以得到最优值的一个聚合顺序所释放的总能量为 ( ( 4 ⊕ 1 ) ⊕ 2 ) ⊕ 3 ) = 10 × 2 × 3 + 10 × 3 × 5 + 10 × 5 × 10 = 710 ((4⊕1)⊕2)⊕3) = 10×2×3 + 10×3×5 + 10×5×10 = 710 ((4⊕1)⊕2)⊕3)=10×2×3+10×3×5+10×5×10=710。
输入格式:
输入的第一行是一个正整数 N N N ,表示项链上珠子的个数。
第二行是 N N N 个用空格隔开的正整数,所有的数均不超过 1000 1000 1000,第 i i i 个数为第 i i i 颗珠子的头标记,当 i < N i<N i<N 时,第 i i i 颗珠子的尾标记应该等于第 i + 1 i+1 i+1 颗珠子的头标记,第 N N N 颗珠子的尾标记应该等于第 1 1 1 颗珠子的头标记。
至于珠子的顺序,你可以这样确定:将项链放到桌面上,不要出现交叉,随意指定第一颗珠子,然后按顺时针方向确定其他珠子的顺序。
输出格式:
输出只有一行,是一个正整数 E E E ,为一个最优聚合顺序所释放的总能量。
数据范围:
4 ≤ N ≤ 100 , 1 ≤ E ≤ 2.1 × 1 0 9 4≤N≤100, 1≤E≤2.1×10^9 4≤N≤100,1≤E≤2.1×109
输入样例:
4
2 3 5 10
输出样例:
710
代码实现
与上一题的思路相同
import sys
input = sys.stdin.readline
n = int(input().strip())
nums = list(map(int, input().strip().split()))
nums = nums + nums
f = [[0 for _ in range(2 * n)] for _ in range(2 * n)]
for i in range(2 * n - 2, -1, -1):
for j in range(i + 1, 2 * n):
f[i][j] = max(f[i][k] + f[k + 1][j] + nums[i] * nums[j] * nums[k + 1] for k in range(i, j))
print(max(f[start][start + n - 1] for start in range(n)))
加分二叉树
题目描述:
设一个 n n n 个节点的二叉树 t r e e tree tree 的中序遍历为 ( 1 , 2 , 3 , … , n ) (1,2,3,…,n) (1,2,3,…,n),其中数字 1 , 2 , 3 , … , n 1,2,3,…,n 1,2,3,…,n 为节点编号。
每个节点都有一个分数(均为正整数),记第 i i i 个节点的分数为 d i d_i di, t r e e tree tree 及它的每个子树都有一个加分,任一棵子树 s u b t r e e subtree subtree(也包含 t r e e tree tree 本身)的加分计算方法如下:
s u b t r e e subtree subtree 的左子树的加分 × s u b t r e e × subtree ×subtree 的右子树的加分 + s u b t r e e + subtree +subtree 的根的分数
若某个子树为空,规定其加分为 1 1 1。
叶子的加分就是叶节点本身的分数,不考虑它的空子树。
试求一棵符合中序遍历为 ( 1 , 2 , 3
推荐阅读
-
在阿里云PAI平台上微调Mixtral 8X7B MoE模型的部署实践
-
超越边界:扩展大型模型的应用领域,探索文本分类、文本匹配、信息提取和人格测试等多领域应用
-
人工智能大模型探索路径-培训第 11 部分:大语言模型转换器库-模型组件实践
-
DFIG 控制 3:风力发电机模型和最基本的 MPPT 仿真结果
-
安卓部署 pytorch 模型 实时分类 pytorch 模型部署方案
-
CodeFuseEval:代码类大型模型多任务评估基准
-
机器学习:基于 Sklearn 和 XGBoost 框架,使用逻辑回归、支持向量机和 XGBClassifier 诊断和预测一个人是否患有自闭症-4。模型训练
-
区间查询
-
机器学习--模型评估和调整--K 倍交叉验证
-
中国最热门的智能人工智能语言模型