每周一算法:双向深搜

题目描述

达达帮翰翰给女生送礼物,翰翰一共准备了 N N N 个礼物,其中第 i i i 个礼物的重量是 G [ i ] G[i] G[i]

达达的力气很大,他一次可以搬动重量之和不超过 W W W的任意多个物品。

达达希望一次搬掉尽量重的一些物品,请你告诉达达在他的力气范围内一次性能搬动的最大重量是多少。

输入格式

第一行两个整数,分别代表 W W W N N N
以后 N N N行,每行一个正整数表示 G [ i ] G[i] G[i]

输出格式

仅一个整数,表示达达在他的力气范围内一次性能搬动的最大重量。

数据范围

1 ≤ N ≤ 46 1≤N≤46 1N46,
1 ≤ W , G [ i ] ≤ 2 31 − 1 1≤W,G[i]≤2^{31}−1 1W,G[i]2311

输入样例

20 5
7
5
4
18
1

输出样例

19

算法思想

根据题目描述,需要从给定的 N N N个数中选择几个,使它们的和最接近 W W W,属于“子集和”问题的扩展;当然也可以从背包问题的角度去思考解决,但是这里背包的“体积”过大( 1 ≤ W ≤ 2 31 − 1 1≤W≤2^{31}−1 1W2311),时间和空间复杂度都不允许。

这类问题的直接解法就是进行“指数型”枚举,搜索每个礼物选还是不选,时间复杂度为 O ( 2 N ) O(2^N) O(2N)。此题 N ≤ 46 N≤46 N46 2 46 2^{46} 246的复杂度过高,可以利用双向深搜的思想进行优化。

双向深搜

除了迭代加深之外,双向深搜也可以避免在深层子树上浪费时间。

在一些题目中,问题不但具有“初态”,还具有明确的“终态”,并且从初态开始搜索与从终态开始逆向搜索产生的搜索树都能覆盖整个状态空间。在这种情况下,就可以采用双向搜索——从初态和状态出发各搜索一半,产生的两棵深度减半的搜索树,在中间交汇、组成最终答案。避免了层数过深时,分支数量的大规模增长。

下图是直接进行一次搜索产生的搜索树:
在这里插入图片描述
下图是双向搜索的两棵搜索树,避免了避免了层数过深时,分支数量的大规模增长。
在这里插入图片描述

算法实现

将礼物分成两部分

  • 首先,从前一半礼物中枚举出所有组合,将可能达到 0 ∼ W 0\sim W 0W之间的所有重量值,存放在一个数组 a [ ] a[] a[]中,并对数组进行排序、去重
  • 然后,进行第二次搜索,尝试从后一半礼物中枚举出所有组合,对于每个可能达到的重量 k k k,在第一部分得到的数组 a [ ] a[] a[]中查找 k + a [ i ] ≤ W k+a[i]\le W k+a[i]W的最大值,可以使用二分查找。

这样,算法的时间复杂度为 O ( 2 N 2 × l o g N 2 ) O(2^{\frac{N}{2}}\times log\frac{N}{2}) O(22N×log2N)

代码实现

#include <iostream>
#include <cstring>
#include <algorithm>
using namespace std;
typedef long long LL;
const int N = 50;
int w[N];
int cnt, a[1 << 25]; //存储前一半礼物所有组合的重量
int n, W, ans;
void dfs1(int i, int k) //k表示目前组合的重量
{if(i == n / 2) //只搜索前一半的礼品{a[cnt ++] = k; //将组合得到的重量存到a数组return;}if((LL)k + w[i] <= W) dfs1(i + 1, k + w[i]); //装得下第i件礼物dfs1(i + 1, k); //不装第i件礼物
}
void dfs2(int i, int k)
{if(i == n) //搜索完成,二分查找不超过W的最大组合重量{int L = 0, R = cnt - 1;while(L < R){int mid = (L + R + 1) / 2;if((LL)k + a[mid] <= W) L = mid;else R = mid - 1;}ans = max(ans, k + a[L]);return;}if((LL)k + w[i] <= W) dfs2(i + 1, k + w[i]); //装得下第i件礼物dfs2(i + 1, k); //不装第i件礼物
}
int main()
{cin >> W >> n;for(int i = 0; i < n; i ++) cin >> w[i];//优化搜索顺序,优先搜索重量较大的礼品sort(w, w + n);reverse(w, w + n);dfs1(0, 0); //枚举前一半礼品的组合,将其组合得到的重量存到a数组sort(a, a + cnt); //对前一半礼物组合得到的重量排序去重cnt = unique(a, a + cnt) - a;//对后一半礼物进行搜索dfs2(n / 2, 0);cout << ans;return 0;
}

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/752088.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

c/c++ | gdb | 多线程调试

关于调试程序&#xff0c;采用GDB 一般有两种方式 一个是gdb -p 加上你要调试的程序 gdb -p xxx 或者 gdb attach 加上你要调试的程序 gdb attaach xxx 然后对于调试多线程&#xff0c;一般是出现死锁问题。死锁通常是共享资源冲突导致 调试多线程 已经进入gdb 调试 查看 进程 …

微服务:Sentinel篇

1. 初识Sentinel 1.1. 雪崩问题以及解决方案 1.1.1. 雪崩问题 微服务中&#xff0c;服务间调用关系错综复杂&#xff0c;一个微服务往往依赖于多个其它微服务。 如图&#xff0c;如果服务提供者I发生了故障&#xff0c;当前的应用的部分业务因为依赖于服务I&#xff0c;因此…

【学习笔记】如何实现云原生初步

云原生&#xff08;Cloud Native&#xff09;作为近年来云计算领域的重要趋势&#xff0c;旨在帮助企业更高效地构建、部署和管理应用程序。通过结合容器、微服务、DevOps等关键技术&#xff0c;云原生能够充分发挥云平台的弹性、分布式优势&#xff0c;提升应用的性能、可靠性…

静默安装OGG21.3微服务版本FOR ORACLE版本

静默安装OGG21.3微服务版本FOR ORACLE版本 silent install ogg21.3 for oracle 某度找来找去都没有找到一份可靠的静默安装OGG21.3微服务版本的案例&#xff0c;特别难受&#xff0c;为此将自己静默安装的步骤一步步贴出来分享给大家&#xff0c;请指点&#xff0c;谢谢。 至…

Web Speech API的语音识别技术

SpeechSynthesis对象 这是一个实验性技术 目前兼容性如图&#xff1a; pc端几乎兼容&#xff0c;移动端部分不兼容 网页语音 API 的SpeechSynthesis 接口是语音服务的控制接口&#xff1b; 它可以用于获取设备上关于可用的合成声音的信息&#xff0c;开始、暂停语音&#x…

Querywrapper与Lambdaquerywrappe比较

当使用 Spring Boot 结合 MyBatis Plus 进行开发时&#xff0c;LambdaQueryWrapper 和 QueryWrapper 是用于构建查询条件的两个重要工具。下面详细介绍它们的区别&#xff0c;并举例说明在 Spring Boot 中如何使用。 1. QueryWrapper QueryWrapper 是 MyBatis Plus 中常用的查…

软件杯 深度学习 python opencv 实现人脸年龄性别识别

文章目录 0 前言1 项目课题介绍2 关键技术2.1 卷积神经网络2.2 卷积层2.3 池化层2.4 激活函数&#xff1a;2.5 全连接层 3 使用tensorflow中keras模块实现卷积神经网络4 Keras介绍4.1 Keras深度学习模型4.2 Keras中重要的预定义对象4.3 Keras的网络层构造 5 数据集处理训练5.1 …

从电影《沙丘》说起——对人工智能的思考

从《沙丘》开始说起 之前看《沙丘》电影&#xff0c;里面有一类角色叫门泰特&#xff0c;这类人大脑可以飞快地运算&#xff0c;在电影设定里是替换人工智能、机器运算的存在。男主保罗也是这类型的人&#xff0c;但他可能基因更强大&#xff0c;吸食了香料后&#xff0c;他的…

docker快速安装和详细安装-保姆教程

docker快速安装和详细安装 一、快速搭建 卸载老版本 yum remove docker docker-common docker-selinux docker-engine安装相关需要的包 yum install -y yum-utils device-mapper-persistent-data lvm2设置docker镜像仓库 yum-config-manager \ --add-repo \ http://mirror…

什么数据需要存在Redis里?缓存的缺点?怎样进行数据同步?

什么数据需要存在Redis里? 通常需要将频繁访问且对性能要求较高的数据存储在Redis中。 缓存数据&#xff1a;Redis常用于存储缓存数据&#xff0c;如热点数据、频繁查询的结果等&#xff0c;以减少对后端数据库的压力和提高系统响应速度。会话信息&#xff1a;对于Web应用来…

大数据面试题之SQL题

大数据面试题之SQL题 1.有一个录取学生人数表&#xff0c;记录的是每年录取学生人数和入学学生的学制 以下是表结构&#xff1a; CREATE TABLE admit ( id int(11) NOT NULL AUTO_INCREMENT, year int(255) DEFAULT NULL COMMENT ‘入学年度’, num int(255) DEFAULT NULL COMM…

大语言模型相关工具使用链接

大语言模型&#xff08;Large Language Model&#xff0c;LLM&#xff09;是自然语言处理&#xff08;NLP&#xff09;领域中的一种深度学习模型&#xff0c;主要用于理解和生成人类语言。这类模型通常基于Transformer架构&#xff0c;通过在大规模语料库上进行预训练来捕获语言…

Hive调优总结

参数设置 概述:hive的参数配置, 就是在那里配置hive的参数信息, 根据配置地方不同, 作用范围也不一样. 配置方式: 1. set方式进行设置. 2. 命令行方式进行设置. 3. 配置文件方式进行设置. 优先级问题: set方式 > 命令行方式 > 配置文件…

Day67:WEB攻防-Java安全JNDIRMILDAP五大不安全组件RCE执行不出网

知识点&#xff1a; 1、Java安全-RCE执行-5大类函数调用 2、Java安全-JNDI注入-RMI&LDAP&高版本 3、Java安全-不安全组件-Shiro&FastJson&JackJson&XStream&Log4j Java安全-RCE执行-5大类函数调用 Java中代码执行的类&#xff1a; GroovyRuntimeExecPr…

Dockerfile 语法详解

Dockerfile 是一种文本文件&#xff0c;用于定义如何构建 Docker 镜像。它包含一系列指令&#xff0c;用于创建镜像的各个层&#xff0c;最终生成一个可运行的容器。 语法格式 Dockerfile 的语法遵循以下格式&#xff1a; INSTRUCTION [ARGUMENTS]其中&#xff1a; INSTRUC…

如何使用机器学习构建自己的推荐系统?

一、说明 在广阔的电子商务领域&#xff0c;众多产品和服务都在争夺我们的注意力&#xff0c;推荐系统的作用变得至关重要。这些智能系统彻底改变了我们在线发现和接触产品的方式&#xff0c;使其成为现代电子商务平台成功的基石。 推荐系统&#xff0c;通常称为推荐引擎或简称…

机器学习入门:探索智能算法的世界 (上)

引言 在信息时代,数据与算法构成了新的基石,而机器学习则是连接它们的桥梁。机器学习,一门让计算机通过数据学习并做出决策的科学,正逐渐成为现代技术不可或缺的一部分。从个性化推荐系统、自动驾驶汽车到高级数据分析和预测模型,机器学习的应用几乎遍及每一个领域,它不…

谈谈对数据库索引的认识

索引的概念 索引是一种特殊的文件&#xff0c;包含着对数据表里所有记录的引用指针。 可以对表中的一列或多列创建索引&#xff0c;并指定索引的类型&#xff0c;各类索引有各自的数据结构实现。 索引的作用 默认情况下&#xff0c;进行条件查询操作&#xff0c;就是遍历表&a…

清理ubuntu空间

最近ubuntu空间告急&#xff0c;急需清理一下。 首先是apt的清理&#xff0c;apt中会留存很多的下载和安装文件&#xff0c;此时就需要&#xff1a; 先查看&#xff1a; du -sh /var/cache/apt/archives然后清理&#xff1a; sudo apt-get clean清理不需要的内核&#xff1a;…

企业数据流动安全管理软件(深度解析文章)

企业数据重要性不言而喻&#xff0c;而同时数据的流动和共享也带来了安全风险&#xff0c;如何确保企业数据在流动过程中的安全性&#xff0c;也成为了企业需要面临的重要问题。 企业数据流动安全管理软件的主要功能是监控和管理企业数据的流动过程。 它能够对企业内部的数据…