笔记

21日

尼克的任务

N T1 p1 n1 …
状态:f[i] i~n段内最大空闲
状态转移方程:
i时刻无任务 f[i]=f[i+1]+1
i时刻有任务 f[i]=max{f[ej+1]} ej是某任务结束的时间
决策:选择结束时间状态(最大空闲)最多(贡献最大)的任务

化工厂装箱员

状态:f[i][A][B][C](A+B+C<=10) 拿了i个后手中有A、B、C的数量的最少装箱次数
决策:装箱后最少装箱次数的决策(装A、装B、装C)
状态转移方程:
扔完后拿到的物品分类数分别a b c
决策 i A B C
装箱A i+a a B+b C+c
装箱B i+b A+a b C+c
装箱C i+c A+a B+b c

带限制的LCS

状态:f[i][j][k] X串前i、Y串前j且包含Z串前k个的LCS长度
决策:见下
状态转移方程:

a[i]==b[j] : f[i][j] = a[i]==j[k+1] ? f[i-1][j-1][k-1]+1 : f[i-1][j-1][k]+1
a[i]!=b[j] : f[i][j][k]=max(f[i-1][j][k],f[i][j-1][k])

可以用滚动数组优化空间,最高维只使用i和i-1,所以i当0,i-1当1,最高维开2,注意清零

沙子合并

状态:f[l][r] l~r区间内最小代价
决策:
状态转移方程:f[l][r]=min(f[l][r], f[l][k]+f[k+1][r]+sum[l][r])(l<=k<r)
f[i][i]=a[i]
枚举区间长度和割开区间的位置
O(n^3)

能量项链

状态:f[l][r]

常识

数据规模:
O(n3) 100~500
O(n2) 1000~5000
O(n) 1k万

空间占用:
int 4 Bytes
int a[500][500][500];
500000000 Bytes
476 MBytes

环形序列:加倍序列

22日

《背包九讲》

Sliding Window

单调队列:维护一个递减的可能答案序列
POJ2823
O(n)

Fence

状态:f[i][j] 第i个人涂到第j块木板拿到的总工钱
决策:
不涂或刚好涂到上一块木板,或涂
状态转移方程:
不涂
f[i-1][j] f[i][j-1]

f[i-1][k]+p[i-k] k+1…j

树、图

树:n个节点n-1边的连通图
图:有向图(一般)、无向图
图的存储:map[][]
如果i->j有该边 map[i][j]
邻接矩阵:一张图开一个二维数组
邻接表:每个点开链表(存储表头、下一个)存储相连的点

树的直径

状态:f[i] 在子树i中从i出发的最长链长
决策:子树最长链长
状态转移:搜索子树,求和最长链和次长链

树的重心

状态:
决策:
状态转移:

没有上司的舞会

Corn Fields

状态:f[y][status] 第y行,放置状态是status(依次按二进制数存储各格状态)时的方案数
状态转移方程:f[y][status]=Σf[y-1][k] 枚举使状况成立的k值
状态压缩DP

23日

优先级队列

(有序)数列、(有序)链表、BBST实现

完全二叉堆

先、中、后序:指访问根的时间是先中后
层次:按层
插入元素:插入到底层,上滤(与父节点交换)
删除max:用最后一个元素换掉,下滤

24日

多叉堆

优先级搜索:
DFS:深度优先搜索,向深层走
BFS:广度优先搜索,分层走
Dijkstra迪杰斯特拉算法:单源最短路算法
Prim算法:最小生成树算法
↑用优先级队列,稀疏图复杂度下降
↑用邻接表,稠密图复杂度小
多叉堆,分d=e/n+2叉时,可以有对两种图最快的效率

左偏树

罗马游戏

合并堆:
1. delMax的同时insert
2. 将元素组合后build
左偏树
左偏性:左节点npl总不小于右节点的
右侧链:链所在子树一定是一个满树

树状数组

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