hdu2795 Billboard(线段树)

题目: hdu2795 Billboard


题意:有一个h*w的公告板,现在将依次给你n个1*wi的海报,每次都要在不覆盖其他海报的前提下贴到最上且最左(要求先最上再最左)。问每张海报在第几行,贴不下的请输出-1;


题解:本题用线段树解决,每个节点有三个值:l,r,maxx;节点的[l,r]代表从第l行到第r行中最大剩余宽度为maxx。


线段树的思路:所有思路都是从暴力的思路优化来的,线段树也不例外,先思考本题暴力如何写:因为每张海报的高度为1,所以只需要暴力扫描每一行的剩余空间是否大于wi。这样复杂度为n*min(n,h),太大。所以我们转化思路,用线段树的思想来思考,用一个节点代表一段区域的最大值,就可以直接判断这段区域里是否有可以贴海报的地方。


代码:

#include<iostream>
#include<cstdio>
#include<cstring>
#include<queue>
#include<cmath>
#include<algorithm>
#include<map>
#include<vector>
using namespace std;

struct linetree{int l,r,maxx; }t[800000];
int h,w,n,ans;

void init(int l,int r,int p){
    if(l>r) return ;
    t[p].l=l;
    t[p].r=r;
    t[p].maxx=w;
    if(l==r) return ;
    int mid=(l+r)/2;
    init(l,mid,2*p);
    init(mid+1,r,2*p+1);
}

int q(int p,int a){
    if(t[p].maxx<a){
        ans=-1;return -1;
    }
    if(t[p].l==t[p].r){
        t[p].maxx-=a;
        ans=t[p].l;
    }
    else if(t[2*p].maxx>=a)
        t[p].maxx=max(q(2*p,a),t[2*p+1].maxx);
    else
        t[p].maxx=max(t[2*p].maxx,q(2*p+1,a));
    return t[p].maxx;
}

int main(){
    while(cin>>h>>w>>n){
        int minn=min(h,n);
        init(1,minn,1);
        int a;
        for(int i=0;i<n;i++){
            scanf("%d",&a);
            q(1,a);
            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