SDAU训练日志第11篇----------动态规划(7)(2018年2月8日)

今天在网上找了几个DP的讲解视频看,收获不小,整理一下(顺序就不管了)

一、如何判断一个题是不是用DP做:

1.出现最优,最大,最小,最长,价值最高,计数,最多方案数时要考虑是否用DP

2.问题是离散的,容易设计状态例如背包问题,单个物体占的体积等都是整数,如果是实数则一般不能用DP,数组不好表示。

3.满足最优子结构,小的问题规模可以推导出题目要求的问题规模。例如(N-1 -> N)

二、初级阶段实现DP的分析步骤:

1.设计暴力枚举、递归的算法设计问题(不考虑时间复杂度单纯找问题的推导关系,一般会TLE)找到存在冗余的地方。
2.针对冗余设计并存储决策状态(一维、二维等数组)
3.搞出状态转移方程
4.自底向上解决问题计算最优解,变递归为递推。

(搜索的自顶向下便于设计问题,然而代码繁琐,还要细心考虑边界情况)

三、后效性:

   一般适合用DP的问题都有后效性,但只有无后效性才能进行运算,所以在设计状态转移方程的时候经过合适的设计使后效性消失才能继续进行使用动态规划。
例如:小偷不能偷相邻两家这个问题中
状态转移方程:
dp[i]=max(dp[i-1],dp[i-2]+value[i])
小偷偷了第i家后产生后效,导致了i-1家无法被偷,通过把子问题变成dp[i-2],使问题变得无后效性,证明了使用DP的正确性。

注:能用贪心算法解的题天生就是无后效性的,如果小偷去掉不能偷相邻两家的条件,就用贪心。


然后放一个经典的棋盘问题:

1.N*M的棋盘上,某人要从左上走到右下,只能向右或者向下走,问有多少种走法? 

//核心代码:
for(int i = 0; i <= N; i++) 
	dp[i][0] = 1;
for(intj = 0; j <= M; j++)
	dp[0][j] = 1; 
for(int i = 1; i <= N; i++) 
	for(intj = 1; j <= M; j++) 
		dp[i][j] = dp[i-1][j] + dp[i][j-1]; 

2.N*M的棋盘上,某人要从左上走到右下,只能向右或者向下走,其中地图上有若干点不能经过,问有多少种走法?如洛谷dp练习作业#A,P1002过河卒:
       棋盘上A点有一个过河卒,需要走到目标B点。卒行走的规则:可以向下、或者向右。同时在棋盘上C点有一个对方的马,该马所在的点和所有跳跃一步可达的点称为对方马的控制点。因此称之为“马拦过河卒”。
棋盘用坐标表示,A点(0, 0)、B点(n, m)(n, m为不超过20的整数),同样马的位置坐标是需要给出的。

现在要求你计算出卒从A点能够到达B点的路径的条数,假设马的位置是固定不动的,并不是卒走一步马走一步。

//复制了一下别题解,我的这道题过了80%没A掉(5个样例过4个)。。。到现在没找出来哪里有点毛病,先用着别人的
#include<iostream>
#include<cstdio>
#define ll long long
ll a,b,n,m,l[22][22],map_flag[23][23];
using namespace std;
void bj(ll x,ll y)//标记马的控制点
{
    map_flag[x][y]=1;
    map_flag[x-1][y-2]=1;
    map_flag[x-2][y-1]=1;
    map_flag[x-2][y+1]=1;
    map_flag[x-1][y+2]=1;
    map_flag[x+1][y-2]=1;
    map_flag[x+2][y-1]=1;
    map_flag[x+2][y+1]=1;
    map_flag[x+1][y+2]=1;
}
int main()
{
    scanf("%lld%lld%lld%lld",&n,&m,&a,&b);
    bj(a,b);
    l[1][0]=1;//为了把应该有一步的一步给过去
    for(int i=1;i<=n+1;++i)
    {
        for(int j=1;j<=m+1;++j)
        {
            l[i][j]=l[i-1][j]+l[i][j-1];//一个点的路径来自左方与上方
            if(map_flag[i-1][j-1]) l[i][j]=0;//如果被马控制那么是0
        }
    }
    printf("%lld",l[n+1][m+1]);//整体向右下挪一下
    return 0;
}

3.在问题一的基础上改变条件一次可以在同一个方向上前进2

暴力递归:

int f(int x,int y)
{
	if(x==0||y==0) return 1;
	if(x==1||y==1) return 1;
	return f(x-1,y)+f(x-2,y)+f(x,y-1)+f(x,y-2);
}
动态规划:

//数组下标不能为负数,我们进行特判
for (int i = 0; i <= N; i++)
	result[i][0] = 1;//只能一条路横着过来
for (int j = 0; j <= M; j++) 
    result[0][j] = 1;//只能一条路竖着过来
result[1][1] = result[0][1] + result[1][0];//特判
for (int i = 2; i <= N; i++) 
    result[i][1] = result[i-1][1] + result[i][0] + result[i-2][1];//别忘了从上面走两步过来这种情况
for (int j = 2; j <= M; j++) 
    result[1][j] = result[1][j-1] + result[0][j] + result[1][j-2];//别忘了从左面走两步过来这种情况
for (int i = 2; i <= N; i++) 
	for (int j = 2; j <= M; j++) 
		result[i][j] = result[i-1][j] + result[i][j-1] + result[i-2][j] + result[i][j-2];//状态转移方程
cout<<result[xi][yi]<<endl;//结果输出

4.组合数递推公式:nCr

常规理解方式:

从n个东西里取m个: 

C(n,m) = C(n-1, m-1) + C(n-1, m) 
C(n-1, m-1)表示第n个东西被选了 
C(n-1, m)表示第n个东西没有被选。

另一种理解方式:

还是这个人在棋盘上走路,只不过他可以斜着向下走(沿着x与y轴的角平分射线)和竖直向下走(和这个棋盘大问题联系起来)




今天写到这吧,码字累死我了。。。

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