Codeforces Round #286 (Div. 2) C. Mr. Kitayuta, the Treasure Hunter(经典的DP)

今天是要将被吊打进行到底了,真是有勇气往下做,这题看着题目挺简单的样子,一上来思路就是dp或者bfs,本渣水平低,觉得dp要开30000*30000的数组,这势必是要MLE了,于是转而用bfs,bfs好写归好写,但是容易TLE,我第二个sample就过不去了,不造为啥一直跑根本停不下来啊。。

这题的正解应该是dp吧,首先要防止MLE,就是需要注意他的状态,每次跳跃能力的变化幅度很小,如果起初是1,每次跳跃距离+1的话,n*(n+1)/2>30000;n<800,最多开1600即可了,存储时可以设int k=j-d+800,不理解那些大神们为啥敢开400啊500啊,我试过不会爆掉。

#include<iostream>
#include<cstdio>
#include<cstring>
#include<queue>
#include<cmath>
using namespace std;
int b[30005][1600];
int a[30005];
int n,d,maxn;
int dp(int i,int j)
{
    int k=j-d+800;
    if(i>maxn) return 0;
    else if(!j) return 0;
    else if(b[i][k]>=0) return b[i][k];
    else
    {
        int q=max(dp(i+j+1,j+1),dp(i+j,j));
        q=max(q,dp(i+j-1,j-1));
        return b[i][k]=a[i]+q;
    }
}
int main()
{
    maxn=0;
    scanf("%d %d",&n,&d);
    memset(a,0,sizeof(a));
    memset(b,-1,sizeof(b));
    for(int i=0;i<n;i++)
    {
        int t;
        scanf("%d",&t);
        if(maxn<t) maxn=t;
        a[t]++;//这个岛存在宝石数量,
    }
    printf("%d\n",dp(d,d));
    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 3
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