pku1103

  1. #include <stdio.h>
  2. #include <memory.h>
  3. const int MAXN = 50 ;
  4. const int MAX_DIST = 1000 ;
  5. int iDist[MAXN] ;
  6. bool bMap[MAXN][MAXN] , bVisit[MAXN] ;
  7. int iN , guardPos ;
  8. void dfs( int p )
  9. {
  10.     int i ;
  11.     bVisit[p] = true ;
  12.     for ( i = 0 ; i < iN ; i++ )
  13.         if ( i != guardPos && bMap[p][i] && !bVisit[i] )
  14.         {
  15.             dfs(i) ;
  16.         }
  17. }
  18. void spfa( int iSrc )
  19. {
  20.     int iQueue[MAXN], head , tail , i , u , v ;
  21.     for ( i = 0 ; i < iN ; i++ )
  22.     {
  23.         iDist[i] = MAX_DIST ;
  24.     }
  25.     
  26.     head = 0 ;
  27.     tail = 1 ;
  28.     iQueue[0] = iSrc ;
  29.     iDist[iSrc] = 0 ;
  30.     while ( head != tail )
  31.     {
  32.         u = iQueue[head] ;
  33.         head = ( head + 1 ) % MAXN ;
  34.         for ( v = 0 ; v < iN ; v++ )
  35.         {
  36.             if ( bMap[v][u] && iDist[u] + 1 < iDist[v] )
  37.             {
  38.                 iDist[v] = iDist[u] + 1 ;
  39.                 iQueue[tail] = v ;
  40.                 tail = ( tail + 1 ) % MAXN ;
  41.             }
  42.         }
  43.     }
  44. }
  45. int main()
  46. {
  47.     int etpos , ix , iy ;
  48.     scanf("%d %d", &iN, &etpos) ;
  49.     memset( bMap, 0, sizeof(bMap) ) ;
  50.     while ( scanf("%d %d", &ix, &iy) != EOF )
  51.     {
  52.         bMap[ix][iy] = true ;
  53.     }
  54.     
  55.     spfa( etpos ) ;    //计算出从ET所在点到其他点的最短路径
  56.     int i , min ;
  57.     bool bX[MAXN] = { false } ;
  58.     while ( true )
  59.     {
  60.         min = MAX_DIST ;
  61.         for ( i = 0 ; i < iN ; i++ )
  62.             if ( i != etpos && bX[i] == false )
  63.             {
  64.                 if ( min > iDist[i] )
  65.                 {
  66.                     guardPos = i ;
  67.                     min = iDist[i] ;
  68.                 }
  69.             }
  70.         if ( min == MAX_DIST )
  71.         {
  72.             printf("Put guards in room 0./n") ;
  73.             break ;         
  74.         }
  75.         memset( bVisit, 0, sizeof(bVisit) ) ;
  76.         bX[guardPos] = true ;
  77.         dfs(0) ;
  78.         if ( !bVisit[etpos] )  //若无法访问到ET所在的点,则guardPos为所求监控点
  79.         {
  80.             printf("Put guards in room %d./n", guardPos) ;
  81.             break ;
  82.         }
  83.     }
  84.     return 0 ;
  85. }
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