poj 1364 King[差分约束]

题目大意:有一个序列。给定一些约束条件,格式为si、ni、oi、ki,意思是序列中第si项到第si+ni项的和>(或<)ki,oi表示>(用"gt”表示)或<(用"lt"表示)。问这样的序列是否存在。存在输出"lamentable kingdomi",否则输出"successful conspiracy"。

思路:简单的差分约束,就是题目描述有点不太好懂,还有就是,题目给出的是>,<,要把它转化成>=,<=。需要注意,虽然序列长度为n,但是建图的时候用来第0项,相当于序列长度变为了n+1,所以bellman算法要循环n次!

#include<queue>
#include<cstdio>
#include<vector>
#include<string>
#include<cstring>
#include<iostream>
#include<algorithm>
using namespace std;

#define M 110
#define INF 0x3f3f3f3f

struct node
{
    int u, v, w;
}edge[M];

int n, m;
int mx, mn;
int dist[M];

void bellman_ford()
{
    memset(dist, 0, sizeof(dist));
    for (int i = 1; i <= n; i++)//循环n次!
    {
        for (int i = 0; i <= m; i++)
        {
            int a = edge[i].u, b = edge[i].v;
            if (dist[a] < INF && dist[b] > dist[a] + edge[i].w)
            {
                dist[b] = dist[a] + edge[i].w;
            }
        }
    }
}

int main()
{
    while (cin >> n, n)
    {
        cin >> m;
        //mx = -INF; mn = INF;
        for (int i = 1; i <= m; i++)
        {
            int a, b, k;
            string c;
            cin >> a >> b >> c >> k;
            if (c == "gt")
            {
                k++;
                edge[i].u = a + b;
                edge[i].v = a - 1;
                edge[i].w = -k;
            }
            else
            {
                k--;
                edge[i].u = a - 1;
                edge[i].v = a + b;
                edge[i].w = k;
            }
        }
        bellman_ford();
        int flog = 0;
        for (int i = 1; i <= m; i++)
        {
            int a = edge[i].u, b = edge[i].v;
            if (dist[a] < INF && dist[b] > dist[a] + edge[i].w)
            {
                flog = 1;
                break;
            }
        }
        if (flog)
        {
            printf("successful conspiracy\n");
        }
        else
            printf("lamentable kingdom\n");
    }
    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