【算法学习笔记】75. 动态规划 棋盘型 期望计算 1390 畅畅的牙签盒(改)

一开始用了模拟的方法,DFS来搜索,但是因为当n很大的时候有很多的重复计算,因为会踏过重复的点进行重复的操作,而且不能不走这些重复的路径,因为没有存储结果,最后只过了三个点。

考虑到重复的路径,所以想到利用动态规划。

可以认为dp[i][j]表示的是 从左上角开始走,走出以(1,1)到(i,j)为两个端点的棋盘中拿到牙签袋的期望。

画图可以知道,因为每次都是斜向下走。走出 i,j棋盘,可以是先走出比这个棋盘小的36种小棋盘的任何一种,然后再吃到在小棋盘和i,j中的某一个,拿到的牙签期望。

(如果走出了一个小棋盘,还可以再出大棋盘之前吃两个的话,这种情况已经被在其他的小棋盘(比前面说的小棋盘大一点)算过了,所以不用考虑)

所以这样的话就是

dp[i][j] = E {(dp[i-t][j-k]+1) * 1 / 36} ; t,k从1到6 E表示求和

注意这里需要处理一下就是因为i-t和j-k有可能不存在,所以dp是0,但是这样会丢失分子的1,

所以先把36个36分之1从求和中拿出来。

得到最后的公式就是

dp[i][j] = E{ (dp[i-t][j-k]) * 1 / 36}  + 1;

代码如下:

#include <iostream>
#include <cstdio>
#include <cstdlib>
using namespace std;

double p = 1.0/36;
double dp[1000+10][1000+10];

int main(int argc, char const *argv[])
{

    //DP过程
    int n;
    cin>>n;
    //以此更新每个点
    for (int i = 1; i <=n; ++i){
        for (int j=1; j <=n; ++j){
            dp[i][j] = 0.0;
            //从36个小棋盘中跨越出来
            for (int dx = 1; dx <=6 ; ++dx){
                    for (int dy=1; dy <= 6; ++dy){
                        if(i-dx>=1 and j-dy>=1)
                            dp[i][j] += dp[i-dx][j-dy]/36;
                    }
                }
            dp[i][j]+=1.0;
        }
    }
    printf("%.2f\n", dp[n][n] );

    return 0;
}
时间: 2024-11-08 11:46:23

【算法学习笔记】75. 动态规划 棋盘型 期望计算 1390 畅畅的牙签盒(改)的相关文章

【算法学习笔记】67.状态压缩 DP SJTU OJ 1383 畅畅的牙签袋

思想来自:http://blog.pureisle.net/archives/475.html 主要思想是用1和0来表示是否被填,然后根据两行之间的状态关系来构建DP方程. 1.首先初始化第一行 计算第一行可以被横着填的方案数.此时cnt是1 所以其实合法的dp[1][j]都是1 2.然后开始构建第二行至最后一行 构建每行时,枚举上一行的可行状态,cnt += 达到该状态的方法数,从而计算dp值. 对上一行的该状态进行取反操作,得到上一行是0的位置,把它们变成1,模拟竖着填. 然后和全集按位与操

由LCS到编辑距离—动态规划入门—算法学习笔记

一切计算机问题,解决方法可以归结为两类:分治和封装.分治是减层,封装是加层. 动态规划问题同样可以用这种思路,分治. 它可以划分为多个子问题解决,那这样是不是用简单的递归就完成了?也许是的,但是这样会涉及太多的不便的操作.因为子问题有重叠! 针对这种子问题有重叠的情况的解决,就是提高效率的关键. 所以动态规划问题可以总结为:最优子结构和重叠子问题. 解决这个子问题的方式的关键就是:memoization,备忘录. 动态规划算法分以下4个步骤: 描述最优解的结构 递归定义最优解的值 按自底向上的方

EM算法学习笔记2:深入理解

文章<EM算法学习笔记1:简介>中介绍了EM算法的主要思路和流程,我们知道EM算法通过迭代的方法,最后得到最大似然问题的一个局部最优解.本文介绍标准EM算法背后的原理. 我们有样本集X,隐变量Z,模型参数θ,注意他们3个都是向量,要求解的log似然函数是lnp(X|θ),而这个log似然函数难以求解,我们假设隐变量Z已知,发现lnp(X,Z|θ) 的最大似然容易求解. 有一天,人们发现引入任意一个关于隐变量的分布q(Z),对于这个log似然函数,存在这样一个分解: lnp(X|θ)=L(q,θ

算法学习笔记 最短路

图论中一个经典问题就是求最短路,最为基础和最为经典的算法莫过于 Dijkstra 和 Floyd 算法,一个是贪心算法,一个是动态规划,这也是算法中的两大经典代表.用一个简单图在纸上一步一步演算,也是很好理解的,理解透自己多默写几次即可记住,机试时主要的工作往往就是快速构造邻接矩阵了. 对于平时的练习,一个很厉害的 ACMer  @BenLin_BLY 说:"刷水题可以加快我们编程的速度,做经典则可以让我们触类旁通,初期如果遇见很多编不出,不妨就写伪代码,理思路,在纸上进行整体分析和一步步的演算

算法学习笔记 递归之 快速幂、斐波那契矩阵加速

递归的定义 原文地址为:http://blog.csdn.net/thisinnocence 递归和迭代是编程中最为常用的基本技巧,而且递归常常比迭代更为简洁和强大.它的定义就是:直接或间接调用自身.经典问题有:幂运算.阶乘.组合数.斐波那契数列.汉诺塔等.其算法思想: 原问题可分解子问题(必要条件): 原与分解后的子问题相似(递归方程): 分解次数有限(子问题有穷): 最终问题可直接解决(递归边界): 对于递归的应用与优化,直接递归时要预估时空复杂度,以免出现用时过长或者栈溢出.优化递归就是以

算法学习笔记 KMP算法之 next 数组详解

最近回顾了下字符串匹配 KMP 算法,相对于朴素匹配算法,KMP算法核心改进就在于:待匹配串指针 i 不发生回溯,模式串指针 j 跳转到 next[j],即变为了 j = next[j]. 由此时间复杂度由朴素匹配的 O(m*n) 降到了 O(m+n), 其中模式串长度 m, 待匹配文本串长 n. 其中,比较难理解的地方就是 next 数组的求法.next 数组的含义:代表当前字符之前的字符串中,有多大长度的相同前缀后缀,也可看作有限状态自动机的状态,而且从自动机的角度反而更容易推导一些. "前

[算法学习笔记]直接插入排序笔记

直接插入排序概念: 带排元素放在elem[0...n-1]中,初始化时,elem[0]自成1个有序区,无序区为elem[1...n-1],从i=1起,到i=n-1,依次将elem[i]插入有序区[0...n-1]中 直接插入排序算法步骤: 1.在当前有序区域R[1,i-1]中查找R[i]的正确插入位置K(1<=K<=i-1) 2.将R[K,i-1]中的记录均向后移动 3.移动后腾出K位置,插入R[i] (最坏)时间复杂度:O(n^2) 空间复杂度:O(1) /// <summary>

八大排序算法学习笔记:冒泡排序

冒泡排序(Bubble Sort,台湾译为:泡沫排序或气泡排序)是一种简单的排序算法. 它重复地走访过要排序的数列,一次比较两个元素,如果他们的顺序错误就把他们交换过来.走访数列的工作是重复地进行直到没有再需要交换,也就是说该数列已经排序完成.这个算法的名字由来是因为越小的元素会经由交换慢慢"浮"到数列的顶端. 算法原理: 比较相邻的元素.如果第一个比第二个大,就交换他们两个. 对每一对相邻元素作同样的工作,从开始第一对到结尾的最后一对.在这一点,最后的元素应该会是最大的数. 针对所有

八大排序算法学习笔记:插入排序(一)

插入排序     包括:直接插入排序,二分插入排序(又称折半插入排序),链表插入排序,希尔排序(又称缩小增量排序).属于稳定排序的一种(通俗地讲,就是两个相等的数不会交换位置) . 直接插入排序: 1.算法的伪代码(这样便于理解):     INSERTION-SORT (A, n)             A[1 . . n] for j ←2 to n do key ← A[ j] i ← j – 1 while i > 0 and A[i] > key do A[i+1] ← A[i]