JZOJ.4377[GDOI2016模拟3.10]习用之语 解题报告

习用之语

题目大意

给出 N 个长度为4的字符串,求出仅差D个字符的字符串的对数。

输入格式

第一行两个正整数 N D
接下来 N 行,每行一个长度为4的字符串。

输出格式

一行,一个整数,为仅差D个字符的字符串的对数。

样例输入

4 2
0000
a010
0202
a0e2

样例输出

3

样例解释

一共三对。
第一对:0000,a010
第二对:a010,a0e2
第三对:0202,0000
故输出3。

数据范围

这里写图片描述

题解

15分算法

做一次 N2 的两两匹配统计答案即可。

100分算法

定义一个数组 G Gi表示最多能有 i 个不同的字符的字符串匹配对数。

最能多有i个不同也就等于至少有(4- i )个相同。
那我们的问题也就转换成至少有(4-i)个相同字符相等的字符串匹配对数,这样就可以求出 Gi 了。

那我们怎样求 Gi 呢?
首先从每个字符串中抽取(4- i )个字符出来并按顺序排好形成N个新的字符串。
其中有多少个字符串相等就有多少对。
算法有很多,我用的是快排,这样一样的字符串就会堆在一起。
至于抽取字符出来的方法可以自己枚举,不多,对于每个 i 最多只有6种。

定义一个数组F Fi 表示仅有 i 个不同的字符的字符串匹配对数。
根据容斥原理,F可以从 G <script type="math/tex" id="MathJax-Element-23">G</script>转移过来。
具体转移如下:

f[0]=g[4] (这个比较显然)
f[1]=g[3]-f[0]*4 
(仅为1个不同(即仅为3个相同),在仅为0个不同(即全部相同)里算了4次,这4次都要去掉,后面同理)
f[2]=g[2]-f[1]*3-f[0]*6
f[3]=g[1]-f[2]*2-f[1]*3-f[0]*4
f[4]=n*(n-1)/2-f[0]-f[1]-f[2]-f[3](这里用了比较取巧的方法,即用总的减去其他的)
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