Change HDU - 2069 / UVA - 674 DP入门

HDU 2069 Change


题目大意:给定5种面值的硬币50、25、10、5、1,然后输入一个钱的总数n,看看在所有使用的硬币数目不超过100的时候,n共有多少种组成结果m。然后输出这个m。

样例:

Sample Input
11
26
Sample Output
4
13
思路:n的范围较小可以直接暴力打表从1开始用一个数组记录即可。

AC代码:

#include<cstdio>
#include<cstring>
using namespace std;
int i,a,b,c,d,e,n;
int dp[300]={1};
void get()
{
    for(i=1;i<=255;i=i++)
        for(a=0;a<=i;a++)
            for(b=0;5*b<=i-a;b++)
                for(c=0;10*c<=i-a-5*b;c++)
                    for(d=0;25*d<=i-a-5*b-10*c;d++)
                    {
                        e=i-a-5*b-10*c-25*d;
                        if(e%50==0&&a+b+c+d+e/50<=100)
                            dp[i]++;
                    }
}
int main()
{
    get();
    while(scanf("%d",&n)!=EOF)
       printf("%d\n",dp[n]);
    return 0;
}




UVA - 674 - Change


由于刚开始做的时候没有看清题目要求,误以为没有限制硬币数目,和之前做过的UVA 674的思路一样,一直WA

顺便在这里写一下UVA 674

题意和上一题差不多但是对硬币数目没有限制,n小于7489

样例:

Sample Input
11
26
Sample Output
4
13
思路:这里我想的也是打表但是对于这个问题的话只需要算0.5.10.15.....5*n对应的硬币的m,因为 n*5-(n-1)*5之间基于(n-1)*5的分类方法多加的只能是1,所以打表的时候可以适当剪枝

这里的状态转移方程是:

                                    dp [ i ] [ j ] + = dp [ j - k * v [ i ] ] [ i - 1 ];   

AC代码:

#include<iostream>
#include<cstring>
using namespace std;
int v[5]={1,5,10,25,50};
int dp[8000][6];
int i,j,k;
int n;
void get()
{
        for(i=0;i<=8000;i++)
            dp[i][0]=1;
        for(i=0;i<5;i++)
            dp[0][i]=1;
        for(i=1;i<5;i++)
        {
            int sum=0;
            for(j=1;j<=8000;j=j+5)
            {
                for(k=0;k*v[i]<=j;k++)
                {
                    dp[j][i]+=dp[j-k*v[i]][i-1];
                }
            }
        }
}
int main()
{
    memset(dp,0,sizeof(dp));
    get();
    while(cin>>n)
    {

 		cout<<dp[n/5*5+1][4]<<endl;
    }
    return 0;
}






这个题同样可以用一维数组暴力解决,AC代码如下:

#include<iostream>
#include<string.h>
using namespace std;
int a[15000]={0};
int b[5]={1,5,10,25,50};
int main()
{
	int n,i,j;
	while(cin>>n)
	{
		memset(a,0,sizeof(a));
		a[0]=1;
		for(i=0;i<5;i++)
		{
			for(j=0;j<=n-b[i];j++)
			{
				if(a[j])
					a[j+b[i]]+=a[j];
			}
		}
		cout<<a[n]<<endl;
	}
	return 0;
}

如果数据较大的话第二种方法明显不适合使用




1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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