JZOJ.4302[NOIP2015模拟11.3]IOIOI卡片占卜 解题报告

IOIOI卡片占卜

题目大意

给5个正整数 A ,B, C ,D, E 。表示由A个1, B 个0,C个1, D 个0,E个1连接组成的序列。
接下来给出 n 个操作,每个操作两个整数l r ,表示把l~~ r 之间的元素1变成0,0变成1,代价为(r- l +1)。
问将序列全部元素变为1的最小的代价。

输入格式

第一行5个空格分隔的整数 A ,B, C ,D, E ,意义见题目大意。
接下来一行一个正整数N,表示操作种类数。
接下来N行,第i行( 1 i N )两个空格分隔的正整数Li Ri
表示第i种操作为把 Li ~~ Ri 之间的全部元素由1变成0,由0变成1,代价为( Ri - Li + 1 )。

输出格式

输出最小代价。如无法实现目标,则输出1.

样例输入

1 2 3 4 5
3
2 3
2 6
4 10

样例输出

12

样例解释

初始的序列为100111000011111。
执行第2种操作后得到111000000011111,代价为5。
接下来执行第3种操作,得到111111111111111,代价为7。
代价为12,这是最小最小代价,故输出12。

数据范围

对于15%的数据,N≤ 10
对于另外50%的数据, 1 A, B ,C, D ,E 50
对于100%的数据:
1 A, B ,C, D ,E, N 105
1 Li Ri A +B+ C +D+ E (1 i N)

题解

15分算法

先讲一下15分的算法。
2n 的时间复杂度枚举所有的操作选择方案,看一下能否实现目标并统计最小代价即可。

100分算法

设原序列为 S
定义序列F Fi = Si xor Si+1

S F序列内所含元素如下:

这里写图片描述

新的 F 序列变成一堆0夹着4个1,我们的目标也就变成将F序列全部变成0。
对于第 i 个操作Li Ri 也就变成了把 F [Li-1]和 F [Ri]由0变成1,由1变成0。

转换完以后,我们可以怎样做呢?
我们把 Li -1向 Ri 连上一条权为 Ri - Li +1的双向边。
对于一条最短路径,路径上的每个点 F 值的变化次数等于入度加上出度,这很明显。
又因为这是最短路径,所以除了起点和终点以外,每个点的入度和出度都为1,既F的值没有变化。
然而起点的入度和出度的和为1,所以起点和终点的值会产生变化。

现在只需将这4个1分成两组,每组分别选一个1作为起点和另一个1作为终点,
做两次SPFA求最短路,并把两组的最小代价累加求最大值即可。

至于分组,只有三种情况。
<1>(1,2),(3,4)
<2>(1,3),(2,4)
<3>(1,4),(2,3)

Code(pascal)

const
    zs=3;
    maxn=maxlongint*100;
var
    way:array[1..zs,1..4] of longint=
    ((1,2,3,4),(1,3,2,4),(1,4,2,3));
    a,b,c,d,e,i,j,k,l,o,p,n,m,bs,len:longint;
    zdl,en:array[-1..500000] of int64;
    fa:array[1..4] of longint;
    bz:array[-1..600000] of boolean;
    bj:array[0..600000,1..3] of int64;
    ans:int64;
function min(a,b:int64):int64;
    begin
        if a<b then exit(a)
        else exit(b);
    end;
procedure add(a,b,c:longint);
    begin
        inc(bs);
        bj[bs,1]:=a;
        bj[bs,2]:=b;
        bj[bs,3]:=c;
        inc(en[a]);
    end;
procedure qsort(l,r:longint);
    var
        i,j,m:longint;
    begin
        i:=l;
        j:=r;
        m:=bj[(l+r) div 2,1];
        repeat
            while bj[i,1]<m do inc(i);
            while bj[j,1]>m do dec(j);
            if i<=j then
            begin
                bj[0]:=bj[i];
                bj[i]:=bj[j];
                bj[j]:=bj[0];
                inc(i);
                dec(j);
            end;
        until i>j;
        if l<j then qsort(l,j);
        if i<r then qsort(i,r);
    end;
function js(start,finish:longint):int64;
    var
         i,j,l,k,o,p:longint;
         dl:array[1..500000] of int64;
    begin
        for i:=0 to len do
        begin
            zdl[i]:=maxn;
            bz[i]:=false;
        end;
        zdl[start]:=0;
        j:=1;
        dl[j]:=start;
        i:=0;
        bz[start]:=true;
        while i<j do
        begin
            inc(i);
            p:=dl[i];
            for l:=en[p-1]+1 to en[p] do
            if zdl[p]+bj[l,3]<zdl[bj[l,2]] then
            begin
                zdl[bj[l,2]]:=zdl[p]+bj[l,3];
                if bz[bj[l,2]]=false then
                begin
                    bz[bj[l,2]]:=true;
                    inc(j);
                    dl[j]:=bj[l,2];
                end;
            end;
            bz[p]:=false;
        end;
        exit(zdl[finish]);
    end;
begin
    assign(input,'card.in'); reset(input);
    assign(output,'card.out'); rewrite(output);
    readln(a,b,c,d,e);
    readln(n);
    for i:=1 to n do
    begin
        readln(o,p);
        add(o-1,p,p-o+1);
        add(p,o-1,p-o+1);
    end;
    qsort(1,bs);
    len:=a+b+c+d+e;
    for i:=1 to len do
        en[i]:=en[i-1]+en[i];
    fa[1]:=a;
    fa[2]:=fa[1]+b;
    fa[3]:=fa[2]+c;
    fa[4]:=fa[3]+d;
    ans:=maxn;
    for i:=1 to zs do
        ans:=min(ans,js(fa[way[i,1]],fa[way[i,2]])+js(fa[way[i,3]],fa[way[i,4]]));
    if ans=maxn then writeln(-1)
                else writeln(ans);
    close(input);
    close(output);
end.
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 2
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