HDU1227:Fast Food

题目链接:Fast Food

题意:一条直线上有n个饭店,问建造k个原料厂(仍旧在商店位置)得到的最小距离

分析:见代码

//一条直线上有n个饭店,问建造k个原料厂(仍旧在商店位置)得到的最小距离
//首先预处理从i到j的最小距离,可以知道选的点必为(i+j)/2,所以用dis[i][j]记录距离
//dp[i][j]表示前j个建造了i个原料厂的最小距离,
//状态转移:dp[i][j]从min(dp[i-1][m])(i-1<=m<=j-1)转移过来,因为
//需要建厂的位置可选在i~j,故有此转移方程,需要将dp[i][j]初始化为inf,并且先处理dp[1][i]=dis[1][i]
#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;

int cas,n,k,loc[220],dis[220][220],dp[31][201];

int main()
{
    while(scanf("%d %d",&n,&k),n&&k)
    {
        for(int i=1;i<=n;++i) scanf("%d",loc+i);
        //若在i到j之间建原料站,则产生的距离dis[i][j]
        for(int i=1;i<=n;++i)for(int j=1;j<=n;++j)
        {
            dis[i][j]=0;
            for(int p=i;p<=j;++p) dis[i][j]+=abs(loc[p]-loc[(i+j)>>1]);
        }
        for(int i=1;i<=n;++i) dp[1][i]=dis[1][i];
        for(int i=2;i<=k;++i)for(int j=i;j<=n;++j)
        {
            dp[i][j]=0x3f3f3f3f;
            for(int m=i-1;m<j;++m)
            dp[i][j]=min(dp[i][j],dp[i-1][m]+dis[m+1][j]);
        }
        printf("Chain %d\nTotal distance sum = %d\n\n",++cas,dp[k][n]);
    }
} 

时间: 2024-10-09 21:54:27

HDU1227:Fast Food的相关文章

Correlation Filter in Visual Tracking系列二:Fast Visual Tracking via Dense Spatio-Temporal Context Learning 论文笔记

原文再续,书接一上回.话说上一次我们讲到了Correlation Filter类 tracker的老祖宗MOSSE,那么接下来就让我们看看如何对其进一步地优化改良.这次要谈的论文是我们国内Zhang Kaihua团队在ECCV 2014上发表的STC tracker:Fast Visual Tracking via Dense Spatio-Temporal Context Learning.相信做跟踪的人对他们团队应该是比较熟悉的了,如Compressive Tracking就是他们的杰作之一

RCNN学习笔记(4):fast rcnn

reference link: http://zhangliliang.com/2015/05/17/paper-note-fast-rcnn/ http://blog.csdn.net/shenxiaolu1984/article/details/51036677 http://blog.csdn.net/qq_26898461/article/details/50906926 论文出处见:http://arxiv.org/abs/1504.08083 项目见:https://github.c

论文笔记:Fast(er) RCNN

在 RCNN 初步试水取得成功后,研究人员又迅速跟进,针对 RCNN 中的几点不足提出改进,接连推出了 fast-rcnn 和 faster-rcnn.关于这两篇论文,网上相关的文章实在是多如牛毛,因此,本篇博文不打算深入讲解,只是不落俗套地介绍一下它们改进的痛点,基本流程,以及我自己对一些小问题的理解. RCNN 的问题 我们先回忆一下 RCNN 做了哪些事情: Selective Search 选出候选区域(region proposal): CNN 对这些区域提取特征: SVM 对 CNN

论文阅读:Fast, Scalable, and Programmable Packet Scheduler in Hardware

摘要: 随着链接速度的提高和CPU扩展速度的放缓,软件中的数据包调度会导致较低的精度和较高的CPU利用率. 通过将数据包调度卸载到诸如NIC之类的硬件,可以潜在地克服这些缺点.然而为了保持软件分组调度器的灵活性,硬件中的分组调度器必须是可编程的,同时还必须快速且可扩展. 硬件中最先进的数据包调度程序有的折衷了可扩展性(Push-In-First-Out(PIFO)),有的表达了各种数据包调度算法的能力(先进先出(FIFO)) ),即使像PIFO这样的通用调度原语也无法表现出足以表示分组调度算法的

第五讲:Fast RTL-level verification

1.good code styles 2.+rad compile time switch  for compile 1.了解VCS 的架构  <===这方便了解不多 parser / event code generator / cycle code generator 2.+prof  性能分析  占用CPU时间  此开关不需要每次都打开.

UVA - 11992:Fast Matrix Operations

线段树,注意tag优先级 #include<cstdio> #include<cstdlib> #include<algorithm> #include<cstring> #define MAXN 1000005 using namespace std; struct Node{ int sumv,maxv,minv,tag_add,tag_change; Node(int p1=0,int p2=0,int p3=0,int p4=0,int p5=0){

Fast and accurate bacterial species identification in urine specimens using LC-MS/MS mass spectrometry and machine learning (解读人:闫克强)

文献名:Fast and accurate bacterial species identification in urine specimens using LC-MS/MS mass spectrometry and machine learning(利用质谱技术和机器学习模型在尿液样本中快速准确地进行菌种鉴定) doi: 10.1074/mcp.TIR119.001559 期刊名:Mol Cell Proteomics 作者:Florence Roux-Dalvai 通讯作者:Arnaud

Code片段 : .properties属性文件操作工具类 &amp; JSON工具类

摘要: 原创出处:www.bysocket.com 泥瓦匠BYSocket 希望转载,保留摘要,谢谢! “贵专” — 泥瓦匠 一.java.util.Properties API & 案例 java.util.Properties 是一个属性集合.常见的api有如下: load(InputStream inStream)  从输入流中读取属性 getProperty(String key)  根据key,获取属性值 getOrDefault(Object key, V defaultValue)

OpenCV中feature2D学习——FAST特征点检测

在前面的文章<OpenCV中feature2D学习--SURF和SIFT算子实现特征点检测>中讲了利用SIFT和SURF算子进行特征点检测,这里尝试使用FAST算子来进行特征点检测. FAST的全名是:Features from Accelerated Segment Test,主要特点值计算速度快,比已知的其他特征点检测算法要快很多倍,可用于计算机视觉应用的实时场景.目前以其高计算效率(computational performance).高可重复性(highrepeatability)成为