HDU5532-Almost Sorted Array

题目链接

http://acm.hdu.edu.cn/showproblem.php?pid=5532

题意

给一个序列,可以去掉其中一个元素,判断序列能否在去掉某个元素后成为一个有序序列

思路

因为序列可以不严格单调增/减,先单独考虑单调增的情况,减相同处理
设f(i)为以i结尾的不严格单调递增的序列长度,g(i)为以i开头的不严格单调递减的序列长度,比如如下序列a[]:
3,4,2,5,6
f[1] = 1, f[2] = 2, f[3] = 1, f[4] = 2, f[5] = 3;
g[1] = 2, g[2] = 1, g[3] = 3, g[4] = 2, g[5] = 1;
假如我们有了f[]和g[]了,则只需要枚举要去掉的元素i,使得:f[i - 1] + g[i + 1] == n - 1 && a[i + 1] >= a[i - 1]即可,时间复杂度为O(n)
则只需要得到f[]和g[]了,不难发现只需要数组分别往后和往前滚一遍就可以递推得到f[]和g[]
单调减的时候相同处理
以及有些细节需要处理一下

代码

代码比较臃肿= =

#include <iostream>
#include <cstring>
#include <stack>
#include <vector>
#include <set>
#include <map>
#include <cmath>
#include <queue>
#include <sstream>
#include <iomanip>
#include <fstream>
#include <cstdio>
#include <cstdlib>
#include <climits>
#include <deque>
#include <bitset>
#include <algorithm>
using namespace std;

#define PI acos(-1.0)
#define LL long long
#define PII pair<int, int>
#define PLL pair<LL, LL>
#define mp make_pair
#define IN freopen("in.txt", "r", stdin)
#define OUT freopen("out.txt", "wb", stdout)
#define scan(x) scanf("%d", &x)
#define scan2(x, y) scanf("%d%d", &x, &y)
#define scan3(x, y, z) scanf("%d%d%d", &x, &y, &z)
#define sqr(x) (x) * (x)
#define pr(x) cout << #x << " = " << x << endl
#define lc o << 1
#define rc o << 1 | 1
#define pl() cout << endl

const int maxn = 100000 + 5;
const int INF = 100000 + 5;
int a[maxn], f[maxn], g[maxn];
int n;

int main() {
    int T;
    scan(T);
    while (T--) {
        scan(n);
        memset(f, 0, sizeof(f));
        memset(g, 0, sizeof(g));
        a[0] = 0;
        a[n + 1] = INF;
        for (int i = 1; i <= n; i++) {
            scan(a[i]);
            if (a[i] >= a[i - 1]) f[i] = f[i - 1] + 1;
            else f[i] = 1;
        }
        for (int i = n; i >= 1; i--) {
            if (a[i] <= a[i + 1]) g[i] = g[i + 1] + 1;
            else g[i] = 1;
        }
        if (n == 2) {
            puts("YES");
            continue;
        }
        if (g[1] == n || f[n] == n) {
            puts("YES");
            continue;
        }
        bool flag = false;
        for (int i = 1; i <= n; i++) {
            if (g[i + 1] + f[i - 1] == n - 1 && a[i + 1] >= a[i - 1]) {
                flag = true;
                break;
            }
        }
        if (flag) {
            puts("YES");
            continue;
        }
        a[0] = INF, a[n + 1] = 0;
        for (int i = 1; i <= n; i++) {
            if (a[i] <= a[i - 1]) f[i] = f[i - 1] + 1;
            else f[i] = 1;
        }
        for (int i = n; i >= 1; i--) {
            if (a[i] >= a[i + 1]) g[i] = g[i + 1] + 1;
            else g[i] = 1;
        }
        if (g[1] == n || f[n] == n) {
            puts("YES");
            continue;
        }
        for (int i = 1; i <= n; i++) {
            if (g[i + 1] + f[i - 1] == n - 1 && a[i + 1] <= a[i - 1]) {
                flag = true;
                break;
            }
        }
        if (flag) puts("YES");
        else puts("NO");
    }
    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