hdu1025 - LIS

// LIS
// O(nlogn)

#include <stdio.h>

#define MAX_N 500005

int n;			// number of roads plan to build
int road[MAX_N]; // road[p]=r, means a road from city p to city r, city start from 1
int dp[MAX_N];	// dp[i] means the length of LIS from 1 to i
int b[MAX_N];	// b[j] means the minimum value of the last element of the LIS whose length is j

int max(int a, int b)
{
	return a > b ? a : b;
}

int binary_search(int a[], int size, int value)
{
	int lo = 1;
	int hi = size;
	while (lo < hi)
	{
		int mid = (lo + hi) / 2;
		if (a[mid] < value)
		{
			lo = mid + 1;
		}
		else
		{
			hi = mid;
		}
	}
	return lo;
}

int lis()
{
	int i = 1;
	int sz = 1;
	b[1] = road[i];
	dp[1] = 1;
	for (i = 2; i <= n; i++)
	{
		if (road[i] < b[1])
		{
			b[1] = road[i];
			dp[i] = 1;
		}
		else if (road[i] > b[sz])
		{
			sz++;
			b[sz] = road[i];
			dp[i] = sz;
		}
		else
		{	// find the k, which b[k-1]<road[i]<b[k]
			int k = binary_search(b, sz, road[i]);
			b[k] = road[i];
			dp[i] = k;
		}
	}

	int ret = 0;
	for (i = 1; i <= n; i++)
	{
		if (ret < dp[i])
			ret = dp[i];
	}
	return ret;
}


// O(n^2)
int dp_lis()
{
	int i, j;
	dp[1] = 1;
	for (i = 2; i <= n; i++)
	{
		dp[i] = 1;
		for (j = 1; j < i; j++)
		{
			if (road[i] > road[j])
			{
				if (dp[i] < dp[j] + 1)
					dp[i] = dp[j] + 1;
			}
		}
	}

	int ret = 0;
	for (i = 1; i <= n; i++)
	{
		if (ret < dp[i])
			ret = dp[i];
	}
	return ret;
}
int main()
{
	freopen("hdu1025_input.txt", "r", stdin);
	int tc = 0;
	int i;
	int p, r; // city start from 1
	int ans;	// at least can build one road
	while (scanf("%d", &n) != EOF)
	{
		tc++;
		for (i = 0; i < n; i++)
		{
			scanf("%d %d", &p, &r);
			road[p] = r;
		}

		//ans = lis();
		ans = dp_lis();

		if (ans == 1)
			printf("Case %d:\nMy king, at most %d road can be built.\n\n", tc, ans);
		else
			printf("Case %d:\nMy king, at most %d roads can be built.\n\n", tc, 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