JZOJ 5276 神奇的玩具

神奇的玩具

Description

n 种玩具,一共有m个点买这些玩具。
但每种玩具只有两份,可能在相同的店里,也可能在不同的店里,同种玩具价格也可能不同,第 i 种玩具的两个价格分别是qi pi
现在让你选择 k 个玩具店,你只能买这k个玩具店里的玩具,你必须把每种玩具都买一个,求最小花费。

Data Constraint

这里写图片描述

Solution

我们先从 50 %的数据入手。
50 %很容易只需用 O (2m)的时间复杂度不加任何剪枝就能砍下。

在上述的暴力搜索上加上一些剪枝即可过掉这一题。

由于每个礼物只有两个,如果一个不选那另一个就必须选。
那么当你不选择某个玩具店的时候,也就意味着和这个玩具店拥有这同种玩具的玩具店必须选择,这是第一个剪枝。
比赛时我只加了这个剪枝,自己出数据测了一下,事实证明这个剪枝在随机数据下表现十分优良,直接就过了(数据较水)。

其次还有两个剪枝。
首先是最优性剪枝。
当你不选某些玩具店时也就确定了买下某些玩具需要的花费,若这个必要花费已经不比答案优了,那大可不用搜索下去了。

然后就是可行性剪枝。
若在当前状态下把之后的玩具店全都选了总花费仍不比答案优,那也不用搜索下去了。

Code

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>

#define fo(i,j,l) for(i=j;i<=l;i++)
#define fd(i,j,l) for(i=j;i>=l;i--)

using namespace std;
typedef long long ll;
const ll maxn=1e9;
const ll M=50,N=110;
ll other[M][N],cost[M][N],shop[M][N],g[M],ok[M][N],hy[M][N];
ll past[M],jz[N];
int la[N],ne[N];
int n,m,j,k,l,i,o,a,b,c,d;
ll ans=maxn;
bool bz;

ll min(ll a,ll b)
{if(a<b)return a;else return b;}

void dg(int o,int sy,ll least)
{
    int i;
    if((!sy)||(o==m+1)){
        ll kk=0;
        fo(i,1,n)
        if(jz[i]==maxn)return; 
        else kk+=jz[i];
        if(kk<ans)ans=kk;
        return;
    }
    bz=true;ll oo=least;
    fo(i,1,g[o])
    if((ok[o][i]==1)&&(jz[shop[o][i]]==maxn)){
        bz=false; break;
    }else oo=oo+other[o][i]*(ok[o][i]==0);
    if((bz)&&(oo<ans))dg(ne[o],sy,oo);
    fo(i,1,g[o])if(!ok[o][i])oo=oo+other[o][i];
    fo(i,1,g[o]){
        hy[o][i]=jz[shop[o][i]];
        if(cost[o][i]<jz[shop[o][i]])
        jz[shop[o][i]]=cost[o][i];
    }
    dg(ne[o],sy-1,least);
    fd(i,g[o],1)jz[shop[o][i]]=hy[o][i];
}

int main()
{
    cin>>n>>m>>k;
    fo(i,1,n){
        scanf("%d%d%d%d",&a,&b,&c,&d);
        shop[a][++g[a]]=i; cost[a][g[a]]=b; other[a][g[a]]=d;
        shop[c][++g[c]]=i; cost[c][g[c]]=d; other[c][g[c]]=b;
        if(a>c)ok[a][g[a]]=1;else
        if(a<c)ok[c][g[c]]=1;else {
            if(!past[a])k--;
            past[a]=1;
        }
    }
    fo(i,1,n)jz[i]=maxn;
    fo(i,1,m)ne[i]=i+1,la[i]=i-1;
    ne[0]=1; la[m+1]=m;
    fo(i,1,m)
    if(past[i]){
        fo(l,1,g[i])
        jz[shop[i][l]]=min(jz[shop[i][l]],cost[i][l]);
        ne[la[i]]=ne[i]; la[ne[i]]=la[i];
    }else if(!g[i]) ne[la[i]]=ne[i],la[ne[i]]=la[i];
    if(k>0){
        dg(ne[0],k,0);
        if(ans==maxn)ans=-1;
    }
    else {
        ans=0;
        fo(i,1,n)
        if(jz[i]!=maxn)ans+=jz[i];
        else {
            ans=-1; break;
        }
        if(k<0)ans=-1;
    }
    printf("%lld",ans);
}
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