当前位置: 首页 > article >正文

一维dp知识点

1.一维DP的核心用一维数组dp[i]记录状态通过清晰的递推关系状态转移求解。2. 基础模型线性递推核心是找到dp[i]和dp[i-1]、dp[i-2]的关系。爬楼梯dp[i] dp[i-1] dp[i-2]最小花费爬楼梯dp[i] min(dp[i-1], dp[i-2]) cost[i]3. 经典线性DP这类问题通常需要在数组或序列上进行决策。最大子段和dp[i] max(nums[i], dp[i-1] nums[i])最长上升子序列 (LIS)这是重中之重其定义状态的方式以i结尾和转移思想向前查找是解决很多难题的关键 。4. 一维DP优化技巧滚动数组当dp[i]只依赖于前几个状态时可以用几个变量代替整个数组将空间复杂度从 O(n) 降到 O(1) 。二维转一维背包问题核心这是最难也是最关键的部分。以01背包为例核心优化是一维数组必须逆序遍历背包容量以确保每个物品只被选一次。这个思想会贯穿所有背包问题 。模型背包类型特点核心代码一维优化版01背包每种物品只能选0或1个for (int jm; jv[i]; j--) dp[j] max(dp[j], dp[j-v[i]] w[i]);完全背包每种物品可以选无限个for (int jv[i]; jm; j) dp[j] max(dp[j], dp[j-v[i]] w[i]);多重背包每种物品有数量限制使用二进制优化将问题分解为01背包01背包int dp[maxV] {0}; for (int i 1; i n; i) { // 遍历物品 int v, w; cin v w; // 体积价值 for (int j m; j v; j--) { // 容量逆序 dp[j] max(dp[j], dp[j - v] w); } } cout dp[m] endl;完全背包int dp[maxV] {0}; for (int i 1; i n; i) { int v, w; cin v w; for (int j v; j m; j) { // 容量正序 dp[j] max(dp[j], dp[j - v] w); } } cout dp[m] endl;多重背包int dp[maxV] {0}; for (int i 1; i n; i) { int v, w, s; cin v w s; // 体积价值数量 // 二进制拆分 for (int k 1; k s; k 1) { int val k * v, wei k * w; for (int j m; j val; j--) { // 01背包逆序 dp[j] max(dp[j], dp[j - val] wei); } s - k; } if (s 0) { // 剩余部分 int val s * v, wei s * w; for (int j m; j val; j--) { dp[j] max(dp[j], dp[j - val] wei); } } } cout dp[m] endl;例题装箱问题题目描述有一个箱子容量为 V正整数0≤V≤20000同时有0≤V≤20000同时有n个物品个物品0 \leq n \leq 30$每个物品有一个体积正整数。要求 nn 个物品中任取若干个装入箱内使箱子的剩余空间为最小。输入描述输入第一行一个整数表示箱子容量。第二行一个整数 nn表示有 nn 个物品。接下来 nn 行分别表示这 nn 个物品的各自体积。输出描述输出一行表示箱子剩余空间。输入输出样例示例 1输入24 6 8 3 12 7 9 7输出0#includebits/stdc.h using namespace std; int dp[30000]; int main() {ios::sync_with_stdio(0),cin.tie(0),cout.tie(0); int t,m; cintm; for(int i1;im;i) { int shj; cinshj; for(int jt;jshj;j--) { dp[j]max(dp[j],dp[j-shj]shj);//dp要表示体积将价值改为shj即可 } } coutt-dp[t]; return 0; }你有一架天平和 NN 个砝码这 NN 个砝码重量依次是 W1,W2,⋅⋅⋅,WNW1​,W2​,⋅⋅⋅,WN​。请你计算一共可以称出多少种不同的重量 注意砝码可以放在天平两边。输入格式输入的第一行包含一个整数 NN。第二行包含 NN 个整数W1,W2,W3,⋅⋅⋅,WNW1​,W2​,W3​,⋅⋅⋅,WN​。输出格式输出一个整数代表答案。样例输入3 1 4 6样例输出10样例说明能称出的 1010 种重量是1、2、3、4、5、6、7、9、10、111、2、3、4、5、6、7、9、10、11​。111126−4(26−4(天平一边放 66另一边放 4)4)​34−134−1444456−156−1​6666716716946−1946−11046104611146。11146。#include bits/stdc.h using namespace std; typedef long long ll; ll N; ll a[200]; ll summ0; ll ans0; int dp[200][200000]; //dp[i][j]表示用到前i个砝码能否称出j重量 //1为可以0为不可以 int main() { // 请在此输入您的代码 cinN; for(int i1;iN;i){ cina[i]; summa[i]; } for(int i1;iN;i){ for(int j1;jsumm;j){//遍历所有可能的重量 dp[i][j]dp[i-1][j];//继承前一个状态 if(dp[i][j]0){//如果普通继承下来发现这个不行呢 if(ja[i]) dp[i][j]1;//如果需要的重量正好就是第i个砝码那么可以 if(dp[i-1][ja[i]]1) dp[i][j]1;//如果前i-1个能搞出ja[i]重量那么把第i个砝码放到另一侧就行 if(dp[i-1][abs(j-a[i])]1) dp[i][j]1;//如果前i-1个砝码能搞出abs(j-a[i])重量 //那么把第i个砝码放同侧就行 } } } for(int j1;jsumm;j){ if(dp[N][j]1) ans;//遍历看dp[][]1的个数就是答案 } coutansendl; return 0; }小明几乎每天早晨都会在一家包子铺吃早餐。他发现这家包子铺有种蒸笼其中第种蒸笼恰好能放个包子。每种蒸笼都有非常多笼可以认为是无限笼。每当有顾客想买个包子卖包子的大叔就会迅速选出若干笼包子来使得这若干笼中恰好一共有个包子。比如一共有 3 种蒸笼分别能放 3、4 和 5 个包子。当顾客想买 11 个包子时大叔就会选 2 笼 3 个的再加 1 笼 5 个的也可能选出 1 笼 3 个的再加 2 笼 4 个的。当然有时包子大叔无论如何也凑不出顾客想买的数量。比如一共有 3 种蒸笼分别能放 4、5 和 6 个包子。而顾客想买 7 个包子时大叔就凑不出来了。小明想知道一共有多少种数目是包子大叔凑不出来的。输入描述第一行包含一个整数(1≤≤100)。以下 N 行每行包含一个整数(1≤≤100)。输出描述一个整数代表答案。如果凑不出的数目有无限多个输出 INF。输入输出样例示例 1输入245输出6样例说明凑不出的数目包括1, 2, 3, 6, 7, 11。示例 2输入246输出INF样例说明所有奇数都凑不出来所以有无限多个#include iostream #include cstdio using namespace std; const int N 1e7; int num[105]; int dp[N]; int main() { // 请在此输入您的代码 int n; int des 0; scanf(%d,n); for(int i1;in;i) { scanf(%d,num[i]); dp[num[i]]; } for(int i1;iN;i) { for(int j1;jn;j) { if(i-num[j]0) { continue; } dp[i]dp[i-num[j]]dp[i]; if(dp[i]!0) { break; } } if(dp[i]0) { des; } } if(des10000) { printf(INF); return 0; } printf(%d,des); return 0; }题目描述小明开了一家糖果店。他别出心裁把水果糖包成 4 颗一包和 7 颗一包的两种。糖果不能拆包卖。小朋友来买糖的时候他就用这两种包装来组合。当然有些糖果数目是无法组合出来的比如要买 10 颗糖。你可以用计算机测试一下在这种包装情况下最大不能买到的数量是 17。大于 17 的任何数字都可以用 4 和 7 组合出来。本题的要求就是在已知两个包装的数量时求最大不能组合出的数字。输入描述输入两个正整数表示每种包装中糖的颗数(都不多于 1000 )。输出描述输出一个正整数表示最大不能买到的糖数。不需要考虑无解的情况输入输出样例示例输入4 7输出17#includeiostream #includequeue using namespace std; int dp[10000005]; int arr[3]; int maxx 0; int main() { cin arr[1] arr[2]; dp[arr[1]] 1; dp[arr[2]] 1; for (int i 1;i 3;i) { for (int j arr[i];j 10000000;j) { if (dp[j]) { dp[j arr[i]] 1; } if (dp[j]0) maxx j; } } cout maxx endl; return 0; }题目描述小明有一个容量为 VV 的背包。这天他去商场购物商场一共有 NN 种物品第 ii 种物品的体积为 wiwi​价值为 vivi​数量为 sisi​。小明想知道在购买的物品总体积不超过 VV 的情况下所能获得的最大价值为多少请你帮他算算。输入描述输入第 11 行包含两个正整数 N,VN,V表示商场物品的数量和小明的背包容量。第 2∼N12∼N1 行包含 33 个正整数 w,v,sw,v,s表示物品的体积和价值。1≤N≤1021≤N≤1021≤V≤2×1021≤V≤2×1021≤wi,vi,si≤2×1021≤wi​,vi​,si​≤2×102。输出描述输出一行整数表示小明所能获得的最大价值。输入输出样例示例 1输入3 30 1 2 3 4 5 6 7 8 9输出39#includeiostream #includealgorithm using namespace std; const int N 1010; int n, m; int v[2*N], w[2*N], s[2*N]; int f[2*N][2*N]; int main(){ cin n m; for(int i 1; i n; i) { cin v[i] w[i] s[i]; } for(int i 1; i n; i){ for(int j 0; j m; j) { for(int k 0; k s[i] k * v[i] j; k) { f[i][j] max(f[i][j], f[i - 1][j - k * v[i]] k *w[i]); } } } cout f[n][m]; return 0; }

相关文章:

一维dp知识点

1.一维DP的核心:用一维数组 dp[i] 记录状态,通过清晰的递推关系(状态转移)求解。2. 基础模型:线性递推核心是找到 dp[i] 和 dp[i-1]、dp[i-2] 的关系。爬楼梯:dp[i] dp[i-1] dp[i-2] 最小花费爬楼梯&…...

嵌入式系统UI概念设计:Pixel Aurora Engine快速生成设备交互界面原型

嵌入式系统UI概念设计:Pixel Aurora Engine快速生成设备交互界面原型 1. 嵌入式UI设计的痛点与解决方案 在智能手表、工控屏等嵌入式设备开发中,UI设计往往是最耗时的环节之一。传统设计流程需要设计师反复修改效果图,工程师再根据图纸实现…...

Nanbeige像素冒险聊天终端:从start.sh到supervisorctl的完整使用流程

Nanbeige像素冒险聊天终端:从start.sh到supervisorctl的完整使用流程 1. 项目概览与环境准备 Nanbeige 4.1-3B像素冒险聊天终端是一款融合复古游戏美学与AI对话功能的创新工具。这套系统采用Streamlit框架构建,通过精心设计的像素风格界面,…...

收藏!大模型/后端校招面试,项目这么讲才不浪费优势(小白必看)

这段时间,我全程参与了多场校招后端开发、大模型应用开发岗位的面试复盘工作,越复盘越有一个深刻的感悟:绝大多数候选人,并不是自身项目质量不过关,而是讲述项目的方式彻底走偏,硬生生浪费了自己的核心优势…...

MusePublic Art Studio部署步骤:bash /root/build/star.sh 启动全链路解析

MusePublic Art Studio部署步骤:bash /root/build/star.sh 启动全链路解析 1. 项目概述与核心价值 MusePublic Art Studio 是一款专为艺术家和设计师打造的AI图像生成工具,它基于业界顶尖的Stable Diffusion XL(SDXL)技术构建。…...

论文答辩智能化:10款AI辅助工具推荐(附爱毕业aibiye使用技巧)

工具对比速览表 工具名称 核心功能 适用场景 特色优势 Aibiye 智能成文、文献查找、数据分析 社科/金融/理工类论文 融合多模型架构,精准把握高校规范 Aicheck 初稿生成、大纲定制、图表插入 快速完成初稿需求 全学科覆盖,20-30分钟极速生成 …...

基于Simulink的滞环电压控制(Bang-Bang)Buck仿真

目录 手把手教你学Simulink ——基于Simulink的滞环电压控制(Bang-Bang)Buck仿真 一、问题背景 二、滞环控制原理 1. 控制思想 三、系统架构 四、Simulink 建模步骤 第一步:搭建 Buck 主电路 第二步:实现滞环比较器 第三步:死区时间插入(防直通) 第四步:驱动…...

OpenClaw版本升级:Qwen3-4B模型与新框架特性的兼容性

OpenClaw版本升级:Qwen3-4B模型与新框架特性的兼容性 1. 为什么需要关注版本升级 上周五晚上11点,我的OpenClaw突然弹出一条警告:"当前版本(v0.8.3)将在48小时后停止维护"。这个深夜警报让我意识到,是时候处理这个技术…...

OpenClaw成本控制:Qwen2.5-VL-7B图文任务Token消耗优化

OpenClaw成本控制:Qwen2.5-VL-7B图文任务Token消耗优化 1. 多模态任务Token消耗的痛点 当我第一次用OpenClaw对接Qwen2.5-VL-7B模型处理图文混合任务时,账单上的Token消耗数字让我倒吸一口凉气。一个简单的"分析截图内容并生成报告"的任务&a…...

Wan2.2-I2V-A14B开源镜像实测:xFormers+FlashAttention-2加速推理35%+

Wan2.2-I2V-A14B开源镜像实测:xFormersFlashAttention-2加速推理35% 1. 镜像概述与核心价值 Wan2.2-I2V-A14B是一款专为文生视频任务优化的私有部署镜像,它让高质量视频生成变得触手可及。这个镜像最吸引人的地方在于,它已经为你准备好了所…...

Qwen3-14B私有部署案例:电商客服话术生成与情感倾向优化实践

Qwen3-14B私有部署案例:电商客服话术生成与情感倾向优化实践 1. 项目背景与需求分析 电商客服每天需要处理大量重复性问题,传统人工回复效率低下且难以保证一致性。我们基于Qwen3-14B模型构建了智能客服话术生成系统,主要解决以下痛点&…...

OpenClaw+Phi-3-vision智能相册:私人照片自动分类与摘要

OpenClawPhi-3-vision智能相册:私人照片自动分类与摘要 1. 为什么需要本地化的智能相册管理 去年夏天,我带着家人去海边度假,用手机拍了近千张照片。回来后面对杂乱的相册,花了整整两个周末才完成分类整理——这种痛苦经历让我开…...

18年产品经理生涯精华:从交付到规划,项目管理、解决方案、业务理解深度解析!

本期访谈只有1位老师,大海老师,18年工作经验,从干交付,到项目管理,再到资深技术专家、解决方案专家,目前做的更多的是业务规划、产品规划,是从一线实战走到真正的专家层面,老师分享的…...

Android 15 触觉反馈:音乐节奏同步的触感反馈如何调节强度?

安卓15系统带来了一个有趣的新体验:音乐节奏同步触觉反馈。简单说,就是当你用手机听歌、刷短视频或玩游戏时,手机会根据播放声音的鼓点和节奏同步震动,让你不仅能听到,还能“摸到”音乐的脉搏,沉浸感更强。…...

RoboStudio6.08学习记录(1)

一.软件安装一、下载RobotStudio软件官方1. 请登陆网址:https://new.abb.com/products/robotics/robotstudio。2. 单击进入页面“下载RobotStudio软件”3. 单击填写信息后,可以获得下载链接二、安装RobotStudio软件1. 下载完成后,对压缩包进行…...

VideoAgentTrek-ScreenFilter效果展示:远程桌面RDP协议画面中窗口标题栏识别

VideoAgentTrek-ScreenFilter效果展示:远程桌面RDP协议画面中窗口标题栏识别 你有没有遇到过这样的场景?在观看远程桌面录屏或视频会议录像时,屏幕上密密麻麻的窗口标题栏、任务栏、系统托盘图标,让人眼花缭乱。特别是当需要分析…...

KCD Beijing 2026 分享回顾:从 Device Plugin 到 DRA——GPU 调度范式升级与 HAMi-DRA 实践

KCD Beijing 2026 是近年来规模最大的 Kubernetes 社区大会之一,超过 1000 人报名参与,刷新了历届 KCD 北京的记录。HAMi 社区不仅受邀进行了技术分享,也在现场设立了展台,与来自云原生与 AI 基础设施领域的开发者和企业用户进行了…...

Amazon Q 从入门到实战,AWS 专属 AI 助手超全指南

目录 一、Amazon Q 到底是什么 二、Amazon Q 有两个版本 1、Amazon Q Developer(给开发者/运维) 2、Amazon Q Bussiness(给企业/业务人员) 三、Amazon Q能解决什么实际问题 四、Amazon Q 和 Chat GPT 同类助手的有什么区别 …...

Token 成本暴跌 280 倍,为什么用 AI 替代初级开发,依然算不拢账?

从董事会的 PPT 翻车,看 AI 降本神话背后的全成本真相上周我旁听了一场 C-suite 高管会议,亲眼看着一位副总裁被自己的 PPT 逼入绝境。会议的主题是 AI 项目的成本收益,他准备了一套无懈可击的逻辑:大模型 Token 价格 3 年暴跌 28…...

别再死记硬背了!用PyTorch代码逐行拆解Transformer中的QKV矩阵计算

用PyTorch代码逐行拆解Transformer中的QKV矩阵计算 在自然语言处理领域,Transformer架构已经成为事实上的标准。但很多开发者发现,仅通过理论图示理解其核心的注意力机制仍然存在困难。本文将带你用PyTorch代码从零开始实现QKV矩阵的计算过程&#xff0c…...

忍者像素绘卷:天界画坊Python入门实战:零基础AI绘画环境搭建

忍者像素绘卷:天界画坊Python入门实战:零基础AI绘画环境搭建 1. 前言:为什么选择像素风格AI绘画 像素艺术近年来在独立游戏、数字艺术领域持续升温。这种复古又充满创意的表现形式,让许多开发者跃跃欲试。但传统像素画需要扎实的…...

房屋建筑学-门窗

一、门窗概述门窗的作用——采光、通风、通行(按照国家相应的规范要求,一般居住建筑的起居室、卧室的窗户面积不应小于地板面积的1/7;公建建筑方面,学校为1/5,医院手术室为1/2~1/3,辅助房间为1/12&#xff…...

openclaw v2026.4.1 发布!16 大核心功能升级 + 28 项关键修复,AI 智能体网关全面进化,稳定性与安全性再攀高峰

一、前言:开源AI智能体标杆再升级,v2026.4.1引领本地自动化新潮流 2026年4月2日,开源AI智能体执行网关领域的标杆项目OpenClaw正式推出v2026.4.1最新版本。作为一款主打本地优先、自托管、全开源的AI智能体框架,OpenClaw自诞生以来…...

javaee-网络原理2

⽹络原理-TCP/IP ①应用层:规则 → 格式 → 实际用途讲解↓ (1)定义应用之间怎么通信比如:浏览器怎么请求网页、APP 怎么跟服务器发数据。 谁先说话什么时候发请求什么时候回响应出现错误怎么办一次会话怎么开始、怎么结束 比如 HTTP 协议就明确规定&…...

工业控制C++安全生命周期管理缺失的5个致命断点(某汽车电池BMS项目因第4点导致ASIL-B降级,完整V模型追溯报告首次公开)

第一章:工业控制C安全生命周期管理缺失的5个致命断点(某汽车电池BMS项目因第4点导致ASIL-B降级,完整V模型追溯报告首次公开) 在高完整性工业控制系统中,C代码的安全生命周期管理远非“编译通过即交付”。某头部车企BMS…...

Qwen-Image-2512像素艺术生成实操:Gradio界面各参数作用与推荐值

Qwen-Image-2512像素艺术生成实操:Gradio界面各参数作用与推荐值 1. 快速上手像素艺术生成 想创作复古游戏风格的像素画?Qwen-Image-2512结合Pixel Art LoRA的解决方案让你轻松实现。这个服务特别适合游戏开发者、独立艺术家和怀旧风格爱好者&#xff…...

网站的页面加载速度和SEO有什么关系

网站的页面加载速度和SEO有什么关系 在当今互联网时代,网站的页面加载速度和SEO(搜索引擎优化)之间的关系是一个不可忽视的重要问题。在用户体验和搜索引擎排名方面,页面加载速度起着至关重要的作用。本文将从问题分析、原因说明…...

从Eclipse转IntelliJ IDEA的老司机踩坑记:20个必改设置让你的迁移过程更顺滑

从Eclipse转IntelliJ IDEA的老司机踩坑记:20个必改设置让你的迁移过程更顺滑 第一次打开IntelliJ IDEA时,那种既熟悉又陌生的感觉会让任何Eclipse老手感到不安。菜单栏去哪了?我的项目视图怎么变了?为什么快捷键全都不对&#xff…...

intv_ai_mk11开源镜像深度解析:为何选择Llama架构+7B规模+Q4量化黄金组合

intv_ai_mk11开源镜像深度解析:为何选择Llama架构7B规模Q4量化黄金组合 1. 为什么选择Llama架构7B规模Q4量化组合 在构建AI对话机器人时,模型架构、参数规模和量化方式的选择直接影响最终效果和部署成本。intv_ai_mk11采用的Llama架构7B参数Q4量化组合…...

网站纠错页面对 SEO 有什么作用_网站图片和视频优化对 SEO 有什么技巧

网站纠错页面对 SEO 有什么作用 在网站管理和搜索引擎优化(SEO)方面,纠错页面的作用常常被忽视。网站纠错页面实际上对 SEO 有着重要的影响。当用户访问一个网站时,如果遇到 404 错误(页面未找到)或其他错…...