[luogu-2831]noip2016-day2-T3 愤怒的小鸟 题解

9 篇文章 0 订阅
8 篇文章 0 订阅

题目传送门
题意解析:题目就是跟愤怒的小鸟这个游戏一样,不过就是每只小鸟的抛物线就是ax^2+b,a和b都是自己定义的,然后问你打光所有的猪需要用最小的小鸟数量。


My opinion:一开始看到这题只会暴力(包括在比赛的时候)。但是你会发现猪可能会在同一条抛物线上,一下搞死两只,所以一开始你可以预处理出所有在同一条抛物线上的猪,然后你又会发现猪只有18只,妥妥的状压dp嘛,都没什么技术含量(这是一位dalao(不是我)说的)。
总结:
没什么好总结的。
至于函数图线的话,初中学过的都知道了。也没什么好说的。


菜鸡的代码:

#include<iostream>
#include<cstdio>
#include<cmath>
#include<cstring>
#include<algorithm>
#define rep(i,a,n) for (int i=a;i<=n;i++)
#define per(i,a,n) for (int i=a;i>=n;i--)
#define Clear(a,x) memset(a,x,sizeof(a))
#define ll long long
#define INF 2000000000
#define eps 1e-6
#define db double
using namespace std;
ll read(){
    ll x=0,f=1;
    char ch=getchar();
    while (ch<'0'||ch>'9') f=ch=='-'?-1:f,ch=getchar();
    while (ch>='0'&&ch<='9') x=x*10+ch-'0',ch=getchar();
    return x*f;
}
const int maxn=20;
db x[maxn],y[maxn];
int num[maxn][maxn];
int f[(1<<20)-1];
int n,m;
bool The_same(db x,db y){
    return fabs(x-y)<eps;
}
int main(){
    int T=read();
    while (T--){
        n=read(),m=read();
        rep(i,1,n) scanf("%lf%lf",&x[i],&y[i]);
        Clear(num,0);
        rep(i,1,n-1)
            rep(j,i+1,n){
                if (The_same(x[i],x[j])) continue;
                db a=(y[j]/x[j]-y[i]/x[i])/(x[j]-x[i]);
                if (a>=0) continue;
                db b=y[i]/x[i]-a*x[i];
                rep(k,1,n)
                    if (The_same(a*x[k]+b,y[k]/x[k])) num[i][j]|=(1<<(k-1));
            }
        rep(i,0,(1<<n)-1) f[i]=INF;
        f[0]=0;
        rep(i,0,(1<<n)-1)
            rep(j,1,n)
                if (!(i&(1<<(j-1)))){
                    rep(k,j,n){
                        if (j==k) f[i|(1<<(j-1))]=min(f[i|(1<<(j-1))],f[i]+1);
                        if (The_same(x[j],x[k])) continue;
                        f[i|num[j][k]]=min(f[i|num[j][k]],f[i]+1);
                    }
                    break;
                }
        printf("%d\n",f[(1<<n)-1]);
    }
    return 0;
}
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