CF 782B 和 HDU 4717 经典移点问题 【 二分 和 三分 时间】

CF 782B 传送门

/** @Cain*/
const int maxn = 1e5+5;
const db eps = 1e-7;
int a[maxn],b[maxn];
int main()
{
    int n;
    scanf("%d",&n);
    for(int i=1;i<=n;i++){
        scanf("%d",&a[i]);
    }
    for(int i=1;i<=n;i++){
        scanf("%d",&b[i]);
    }
    db l = 0, r = inf , mid;
    while(r - l > eps){
        mid = (r+l)/2.0;
        db maxx = -inf, minn = inf;
        for(int i=1;i<=n;i++){
            db xl = a[i]*1.0 - b[i]*mid;
            db xr = a[i]*1.0 + b[i]*mid;
            maxx = max(maxx,xl);  //千万不要找错了,是找最小的进
 //行比较, 而不是最大的, 既是往左和右移动距离小的那两个.
 //如果直接找最大的两个点则有可能有交叉部分.
            minn = min(minn,xr);
        }
        if(fabs(maxx - minn) < eps)
            break;
        else if(maxx < minn) r = mid;
        else l = mid;
    }
    printf("%.12lf\n",mid);
}

HDU 4717 传送门
//思路:在平面中任意两个点的距离一定是先减小, 后增大的, 不信可以画出来看一看. 所以满足单峰函数, 所以就可以用三分来做.

/** @Cain*/
const int maxn = 3e2+5;
const db eps = 1e-6;
int x[maxn],y[maxn],vx[maxn],vy[maxn];
int n;
int cas = 1;
db cal(db t)
{
    db res = 0;
    for(int i=1;i<=n;i++){
        for(int j=i+1;j<=n;j++){
            db x1 = x[i]*1.0+vx[i]*t;
            db y1 = y[i]*1.0+vy[i]*t;
            db x2 = x[j]*1.0+vx[j]*t;
            db y2 = y[j]*1.0+vy[j]*t;
            db maxx = sqrt((x1-x2)*(x1-x2)+(y1-y2)*(y1-y2));
            res = max(maxx,res);
        }
    }
    return res;
}
void solve()
{
    scanf("%d",&n);
    for(int i=1;i<=n;i++){
        scanf("%d%d%d%d",&x[i],&y[i],&vx[i],&vy[i]);
    }
    db l = 0, r = inf,len;
    db lm,rm;
    while(r - l > eps){
        len = (r-l)/3.0; 
        lm = l + len;
        rm = r - len;
        db dislm = cal(lm);
        db disrm = cal(rm);
        if(dislm < disrm) r = rm;
        else l = lm;
    }
    printf("Case #%d: %.2f %.2f\n",cas++,l,cal(l));
}
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值