地球人口承载力估计

简介: 描述假设地球上的新生资源按恒定速度增长。照此测算,地球上现有资源加上新生资源可供x亿人生活a年,或供y亿人生活b年。为了能够实现可持续发展,避免资源枯竭,地球最多能够养活多少亿人?输入 一行,包括四个正整数x,a,y,b,两个整数之间用单个空格隔开。

描述

假设地球上的新生资源按恒定速度增长。照此测算,地球上现有资源加上新生资源可供x亿人生活a年,或供y亿人生活b年。

为了能够实现可持续发展,避免资源枯竭,地球最多能够养活多少亿人?

输入 一行,包括四个正整数x,a,y,b,两个整数之间用单个空格隔开。x > y,a < b,ax < by,各整数均不大于10000 输出 一个实数z,表示地球最多养活z亿人,舍入到小数点后两位。

样例输入

110 90 90 210

样例输出

75.00

刚开始误以为ax=by因为是把地球总资源想成固定的
其实题意已经明显说了新生资源按恒定速度增长

所以思路如下:
110亿人生活90年
则现有资源+新生资源共为110*90=9900份
90亿人生活210年
则现有资源+新生资源共为90*210=18900份
所以每年新生资源为(18900-9900)/((210-90)=75.00
#include<bits/stdc++.h>   //也可用iostream库和cstdio库
using namespace std;
int main()
{
    double a,b,x,y,z;
    cin>>x>>a>>y>>b;
    z=(y*b-x*a)/(b-a);
    printf("%.2lf\n",z);
    return 0;

 

目录
相关文章
|
9月前
|
机器学习/深度学习 编解码 人工智能
1951 年以来的美国ACIS 气候地图数据集(5 公里空间分辨率)
1951 年以来的美国ACIS 气候地图数据集(5 公里空间分辨率)
96 2
|
9月前
|
机器学习/深度学习 数据采集 编解码
基于MODIS数据的2000-2021年中国植被生物量数据集
基于MODIS数据的2000-2021年中国植被生物量数据集
197 0
|
BI 定位技术
全国夜间灯光指数数据、GDP密度分布、人口密度分布、土地利用数据、降雨量数据
全国夜间灯光指数数据、GDP密度分布、人口密度分布、土地利用数据、降雨量数据
全国夜间灯光指数数据、GDP密度分布、人口密度分布、土地利用数据、降雨量数据
|
编解码 Java BI
10米精度NPP净初级生产力数据/NDVI数据/植被类型数据/土地利用数据/降雨气温分布数据/太阳辐射分布数据
10米精度NPP净初级生产力数据/NDVI数据/植被类型数据/土地利用数据/降雨气温分布数据/太阳辐射分布数据
10米精度NPP净初级生产力数据/NDVI数据/植被类型数据/土地利用数据/降雨气温分布数据/太阳辐射分布数据
|
编解码 BI 定位技术
中国GDP空间分布数据集、中国人口空间分布数据集、GDP密度分布、人口密度分布数据、夜间灯光分布数据、土地利用数据、道路网分布数据、乡镇边界分布
中国GDP空间分布数据集、中国人口空间分布数据集、GDP密度分布、人口密度分布数据、夜间灯光分布数据、土地利用数据、道路网分布数据、乡镇边界分布
中国GDP空间分布数据集、中国人口空间分布数据集、GDP密度分布、人口密度分布数据、夜间灯光分布数据、土地利用数据、道路网分布数据、乡镇边界分布
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的淤泥含量数据,预测平均值和标准偏差
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的淤泥含量数据,预测平均值和标准偏差
119 0
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的淤泥含量数据,预测平均值和标准偏差
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤地表0-20 厘米和 20-50 厘米土壤深度处的可提取铝,预测平均值和标准偏差数据集
Google Earth Engine ——2001-2017年非洲土壤地表0-20 厘米和 20-50 厘米土壤深度处的可提取铝,预测平均值和标准偏差数据集
149 0
Google Earth Engine ——2001-2017年非洲土壤地表0-20 厘米和 20-50 厘米土壤深度处的可提取铝,预测平均值和标准偏差数据集
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的石含量数据,预测平均值和标准偏差
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的石含量数据,预测平均值和标准偏差
149 0
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的石含量数据,预测平均值和标准偏差
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤在 土壤深度为 0-20 厘米和 20-50 厘米的美国农业部质地等级数据,预测平均值和标准偏差
Google Earth Engine ——2001-2017年非洲土壤在 土壤深度为 0-20 厘米和 20-50 厘米的美国农业部质地等级数据,预测平均值和标准偏差
137 0
Google Earth Engine ——2001-2017年非洲土壤在 土壤深度为 0-20 厘米和 20-50 厘米的美国农业部质地等级数据,预测平均值和标准偏差
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的镁数据,预测平均值和标准偏差
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的镁数据,预测平均值和标准偏差
125 0
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的镁数据,预测平均值和标准偏差