[Prufer] BZOJ 1211 [HNOI2004]树的计数

<p style="padding-top: 0px; padding-bottom: 0px; margin-top: 10px; margin-bottom: 10px;">
</p>

每一棵树都对应着唯一的prufer数列,prufer数列也对应唯一的树。prufer数列构造方法:选取编号最小的叶子节点删掉,并将它的父亲加入到prufer数列中,直到树上还有两个节点。假设一个点入度为d,它最多有可能在prufer上出现(d-1)次(普通节点不可能因为父亲出现在prufer上,根节点由于prufer构造时要留两个点所以也会有一个儿子无法使它出现在prufer上),所以一共有n-2个数字出现在prufer上,其中每个相同数字出现d-1次,所以答案为
(n - 2) ! / ( (d1 - 1)! (d2 - 1)! ……(dn - 1)! )

</pre><pre name="code" class="cpp">#include<cstdio>
#include<cstdlib>
#include<iostream>
typedef long long ll;
using namespace std;

int n,d[200],sum;
int vst[200],prime[200],cnt;
int p[200];

inline void calc(int x,int r)
{
	if (x==0) return;
	for (int i=1;i<=cnt;i++)
		 for (int j=prime[i];x/j!=0;j*=prime[i])
		 	p[i]+=x/j*r;
}

int main()
{
	freopen("t.in","r",stdin);
	freopen("t.out","w",stdout);
	for (int i=2;i<=150;i++)
		if (!vst[i])
		{
			prime[++cnt]=i;
			for (int j=i;j<=150;j+=i) vst[j]=1;
		}
	scanf("%d",&n);
	for (int i=1;i<=n;i++)	
	{
		scanf("%d",&d[i]),sum+=d[i];
		if (d[i]<=0 && n>1)
			printf("0\n"),exit(0);
	}
	if (sum!=(n-1)*2) printf("0\n"),exit(0);
	if (n==1) printf("1\n"),exit(0);
	calc(n-2,1);
	for (int i=1;i<=n;i++)	
		calc(d[i]-1,-1);
	ll ans=1;
	for (int i=1;i<=cnt;i++)
		for (int j=1;j<=p[i];j++)
			ans*=prime[i];
	cout<<ans<<endl;
	return 0;
}

将Prufer数列转化成树的方法

设{a1,a2,..an-2}为一棵有n个节点的树的Prufer序列,另建一个集合G含有元素{1..n},找出集合中最小的未在Prufer序列中出现过的数,将该点与Prufer序列中首项连一条边,并将该点和Prufer序列首项删除,重复操作n-2次,将集合中剩余的两个点之间连边即可。



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