POJ 2420 A Star not a Tree?

题目描述:平面上给你n个点,让你求一个点,到这n点的距离和最小。

#include <iostream>
#include <ctime>
#include <algorithm>
#include <cmath>
#define PI acos(-1.0)
#define N 150
using namespace std;

int n,m;
double x,y,ans[N],u[N],v[N];
struct node
{
	double x,y;
}point[N];
void min_dis(double xx,double yy,double &inf)
{
	int i;
	double d=0;
	for(i=0;i<n;i++)
		d+=sqrt((xx-u[i])*(xx-u[i])+(yy-v[i])*(yy-v[i]));
	inf=d;
}
int main()
{
	int i,j;
	scanf("%d",&n);
	for(i=0;i<n;i++)
	{
		scanf("%lf%lf",&u[i],&v[i]);
		if(u[i]>x)
			x=u[i];
		if(v[i]>y)
			y=v[i];
	}
	srand((unsigned)time(NULL));
	int p=10,l=30;
	for(i=0;i<p;i++)
	{
		point[i].x=(rand()%101)/100*x;
		point[i].y=(rand()%101)/100*y;
		min_dis(point[i].x,point[i].y,ans[i]);
	}
	double delta=(x>y?x:y)/sqrt(n*1.0),eps=1e-2;
	while(delta>eps)
	{
		for(i=0;i<p;i++)
			for(j=0;j<l;j++)
			{
				double an=(rand()%101)/100.0*2.0*PI;
				double vx=point[i].x+delta*cos(an);
				double vy=point[i].y+delta*sin(an);
				if(vx<0 || vy<0 || vx>x || vy>y)
					continue;
				double inf;
				min_dis(vx,vy,inf);
				if(ans[i]>inf)
				{
					ans[i]=inf;
					point[i].x=vx;
					point[i].y=vy;
				}
			}
		delta*=0.8;
	}
	double inf=ans[0];
	for(i=0;i<p;i++)
		if(ans[i]<inf)
			inf=ans[i];
	printf("%.0lf\n",inf);
	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