多校第八场 hdu 5389

题意:给你n个数,将这n个数分成两部分,第一部分满足所有数字和的数字根为A,第二部分为B(数字根:将一个数的各个位加起来,如果和大于10,继续加,直到小于10)ps:一个数字的数字根等于各位数字和%上9;如果答案为0,则为9,其余则为模下来的值。


解题思路:本题关键是要知道数字根,然后很容易想到用dp来转移,我们用dp[i-1][j][k],表示前i-1个数字被分到两端,使得两端的状态为j,k,那么转移方程为dp[i][j][y]+=dp[i-1][j][k],dp[i][x][k]+=dp[i][j][k],(x=(j+a[i])%9,y=(k+a[i])%9,ps:注意x,y=0是的特判)可知复杂度为n*10*10,这样是可能超时的,仔细一想我们只需算出一边的情况即可,即:dp[i-1][j],表示前i-1项,左边状态为j的方法数,转移dp[i][j]+=dp[i-1][j],dp[i][x]=dp[i-1][j],这样我们就减少了10倍的复杂度


代码:

//#pragma comment(linker, "/STACK:1024000000,1024000000")
#include<cstdio>
#include<cstring>
#include<iostream>
#include<map>
#include<set>
#include<stack>
#include<vector>
#include<queue>
#include<cmath>
#include<algorithm>
using namespace std;
#define inf 0x3fffffff
//const double pi=acos(-1);
typedef long long LL;
#define mod 258280327

int aa[100005];
int dp[100005][15];
int main()
{
    int T;
    scanf("%d",&T);
    while(T--)
    {
        int n,a,b;
        scanf("%d%d%d",&n,&a,&b);
        int sum=0;
        for(int i=1;i<=n;i++)
        {
            scanf("%d",&aa[i]);
            sum+=aa[i];
            if(sum>9)
                sum-=9;
        }
        memset(dp,0,sizeof(dp));
        int t=0;
        dp[0][0]=1;
        for(int i=1;i<=n;i++)
        {
            for(int j=0;j<=9;j++)
            {
                int x=(j+aa[i])%9;
                if(x==0)x=9;
                dp[i][j]=(dp[i][j]+dp[i-1][j])%mod;
                dp[i][x]=(dp[i][x]+dp[i-1][j])%mod;
            }
        }
        int ans=0;
        int xx=(a+b)%9;
        if(xx==0)xx=9;
        if(xx==sum)
        {
            ans+=dp[n][a];
            if(ans>=mod)ans%=mod;
            if(a==sum)
                ans--;
        }
        if(a==sum)
        {
            ans++;
        }
        if(b==sum)
        {
            ans++;
        }
        if(ans>=mod)ans%=mod;
        printf("%d\n",ans);
    }
    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