CDOJ-2016-A-柱爷与咸鱼神功

某日,喵哈哈村,柱爷在自己房间内,面对魔镜

“魔镜啊,魔镜,什么才是这个世界上最强大的武功?”

霎时,一道惊雷落下,柱爷的面前竟然浮现出了一本古老的黑色书籍,而书的名字竟然是“咸鱼神功”
!

翻开一看,书的第一页赫然写着:”练至大成可变身咸鱼王,掌控雷电!

看到这句话,柱爷当即决定修炼咸鱼神功!

既然是神功,也不是那么好练的,因此柱爷决定好好的规划一下自己的修炼过程!

柱爷有N点心情值,而咸鱼神功则有M个招式,对于每个招式,柱爷必须要消耗Ti点心情值才能掌握,同时柱爷会获得Vi的修炼值。

那么,柱爷能够获得的最大修炼值是多少呢?

Input
第一行两个整数N,M,分别表示柱爷的心情点数和咸鱼神功的招式数量

接下来M
M
行,每行2个整数,Ti,Vi,分别表示学习该招式的消耗和能获得的修炼值。

数据保证:

1≤N,M≤5000
1≤Ti,Vi≤10000

Output
输出仅一行,表示柱爷能获得的最大修炼值

Sample input and output
5 4
2 5
2 3
3 9
4 4
Sample Input Sample Output
14

水题,一道最经典的动态规划问题,和01背包完全一样。

#include <stdio.h>
#define MAXSIZE 10005
#define MAX(a, b) a > b ? a : b
int dp[5001][5001]; //dp[i][j]招式数量为i心情点数为j时最大修炼值

int main(int argc, const char * argv[])
{
    int i, j;
    int N, M;
    int T[MAXSIZE], V[MAXSIZE];

    scanf("%d %d", &N, &M);
    for (int i = 1; i <= M; i++)
    {
        scanf("%d %d", T + i, V + i);
    }

    for (i = 0; i <= M; i++)
    {
        dp[i][0] = 0;
    }
    for (i = 0; i <= N; i++)
    {
        dp[0][i] = 0;
    }

    for (i = 1; i <= M; i++)
    {
        for (j = 0; j <= N; j++)
        {
            if (j < T[i])
            {
                dp[i][j] = dp[i - 1][j];
            }
            else
            {
                dp[i][j] = MAX(dp[i - 1][j], dp[i - 1][j - T[i]] + V[i]);
            }
        }
    }

    printf("%d\n", dp[M][N]);
    return 0;
}

至于这个OJ,我想吐槽,什么破OJ,我写的C代码不小心提交成了C++,这个过了我还可以接受,谁知道,我又用C提交,竟然编译错误……第一次遇见这种窘境,但是可以肯定的是代码是对的!

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