(动态规划)HDU1421搬寝室

Problem Description
搬寝室是很累的,xhd深有体会.时间追述2006年7月9号,那天xhd迫于无奈要从27号楼搬到3号楼,因为10号要封楼了.看着寝室里的n件物品,xhd开始发呆,因为n是一个小于2000的整数,实在是太多了,于是xhd决定随便搬2*k件过去就行了.但还是会很累,因为2*k也不小是一个不大于n的整数.幸运的是xhd根据多年的搬东西的经验发现每搬一次的疲劳度是和左右手的物品的重量差的平方成正比(这里补充一句,xhd每次搬两件东西,左手一件右手一件).例如xhd左手拿重量为3的物品,右手拿重量为6的物品,则他搬完这次的疲劳度为(6-3)^2 = 9.现在可怜的xhd希望知道搬完这2*k件物品后的最佳状态是怎样的(也就是最低的疲劳度),请告诉他吧.
 

Input
每组输入数据有两行,第一行有两个数n,k(2<=2*k<=n<2000).第二行有n个整数分别表示n件物品的重量(重量是一个小于2^15的正整数).
 

Output
对应每组输入数据,输出数据只有一个表示他的最少的疲劳度,每个一行.
 

Sample Input
  
  
2 1 1 3
 

Sample Output

4

有两个限制条件=.=用二维来做-.-循环到物品i选择i个,那么肯定是选择第i个物品的!因为数量要够啊!!zz

#include <iostream>
#include <cstdio>
#include <algorithm>
#include <cstring>
#include <fstream>
#define maxn 2010
//#define ma 207374182400
//#define ma 2073741824000
int w[maxn];
long long dp[maxn][maxn];
//int pd[maxn][maxn];
int n, k;
using namespace std;

int square(int i, int j)
{
    int t = (w[i] - w[j]) * (w[i] - w[j]);
    return t;
}
int main()
{
    //freopen("in.txt", "r", stdin);
    while(~scanf("%d%d", &n, &k))
    {
        for(int i = 1; i <= n; i++)
        {
            scanf("%d", &w[i]);
        }
        sort(w + 1, w + n + 1);
        dp[2][2] = (w[1] - w[2]) * (w[1] - w[2]);
        for(int i = 3; i <= n; i++)
        {
            for(int j = 0; j <= i && j <= 2 * k;  j += 2)
            {
                //dp[i][j]=min(前i-1件物品中选择j对所获得的最小疲劳度,
                //前i-2件物品中选择j-2对再加上第i-1件和第i件所获得的最小疲劳度)
                //dp[i - 1][j]第i件不选
                //dp[i -2][j -2]第i件选择
                //也就是选与不选的问题
                //当前i件物品选择i件,那么不用判断选与不选,因为是必须要选的
                //一直弄不过去的坎儿(┬_┬)
                //初始化问题,在main以外建立数组初始值为0;
                //j只有偶数情况
                //初始化一个dp[2][2],这是第一个选择了,情况,因为假使不初始化这个值
                //那个选择大小,肯定是不选则i的那个数据小
                //初始化了以后才有可比性
                //因为任何数据nk都会经历dp[2][2],就相当于恰好装满问题的初始化
                //最开始的那个dp初始的值不同于其他值
                //而且其他dp都是在这个数值的基础上变化求得
                if(i > j)
                     dp[i][j] = min(dp[i - 1][j], dp[i - 2][j - 2] + square(i, i - 1));
                // 前i-1件中不能跳出j对物品所以只能把第i件选上
                else
                    dp[i][j] = dp[i - 2][j - 2] + square(i, i - 1);
            }
        }
        printf("%lld\n", dp[n][2 * k]);
    }
    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