Problem B. gBalloon Google APAC 2016 University Test Round D

这一题类似一个背包问题,在cost限制下实现value的最优。对于每个balloon (Pi,Hi),将它移动到height Hk这个choice即为背包问题中的选择某一个物品,对应的cost是|Hi-Hk|,value是ceil(Pi/Vk)。

因为一个balloon只能选择一个choice,这就类似于分组背包。本来以为直接用分组背包就可以了,但是分组背包是每一组至多选一个物品,而这里面每一组必须选一个物品。Then状态转移方程会不同。

dp[i][j]表示collect了前i个balloon,cost不超过j的最优解。那么遍历第i个balloon所有choice k,dp[i][j]=min(dp[i][j],max(dp[i-1][j-cost],value))。dp[i][j]=0 to k-1中选择某个choice的最优解,max(dp[i-1][j-cost],value)是选择当前choice k的least amount of time。这样就可以判断是否更改为choice k or 维持0 to k-1中某个之前的选择。

这一题最开始WA了,看别人的解法都是二分,还以为算法错了。于是开始看动态规划的最优性原理。o(╯□╰)o。if a1,a2,a3是dp[2][Q]的最优解,那么a1,a2一定是dp[1][Q-cost3]的最优解。Otherwise,假如b1,b2是dp[1][Q-cost3]的最优解,那么背包还可以放进去a3,dp[2][Q]的最优解就是b1,b2,a3了。

这一题大数据跑了半分钟,囧。

#include<iostream>
#include<stdio.h>
#include<cstdio>
#include<string>
#include<cmath>
#include<stdlib.h>
#include<algorithm>
#include<string.h>
#include<cstring>
#include<vector>
#include<queue>
#include<map>
#include<set>

using namespace std;

//2016 Round D Problem B. gBalloon
int T;
const int maxn=110;
int N;
int M;
int Q;
int P[maxn];
int H[maxn];
int V[maxn*10];
int dp[110][10010];
const int INF=0x3f3f3f3f;
int main()
{
    freopen("B-large-practice.in","r",stdin);
//    freopen("input.txt","r",stdin);
    freopen("output.txt","w",stdout);
    scanf("%d",&T);
    for(int ca=1;ca<=T;ca++)
    {
        memset(P,0,sizeof(P));
        memset(H,0,sizeof(H));
        memset(V,0,sizeof(V));
        memset(dp,0x3f,sizeof(dp));
        scanf("%d %d %d",&N,&M,&Q);
        for(int i=0;i<M;i++)
        {
            scanf("%d",&V[i]);
        }
        for(int i=0;i<N;i++)
        {
            scanf("%d %d",&P[i],&H[i]);
        }
        for(int i=0;i<N;i++)
        {
            for(int j=0;j<=Q;j++)
            {
//                dp[i][j]=INF;
                for(int k=0;k<M;k++)
                {
                    if(V[k]==0)
                    {
                        continue;
                    }
                    else if(V[k]*P[i]>0)
                    {
                        continue;//can not reach (0, y)
                    }
                    else
                    {
                        int cost=abs(H[i]-k);
                        int value=(abs(P[i])+abs(V[k])-1)/abs(V[k]);//ceil(1.0*abs(P[i])/abs(V[k]));

                        if(j>=cost)
                        {
                            if(i==0)
                            {
                                dp[i][j]=min(dp[i][j],value);
                            }
                            else
                            {
//                                dp[i][j]=min(dp[i-1][j],max(dp[i-1][j-cost],value));
                                dp[i][j]=min(dp[i][j],max(dp[i-1][j-cost],value));
                            }
//                            cout<<P[i]<<" "<<V[k]<<" "<<endl;
//                            cout<<i<<" "<<j<<" "<<k<<" "<<cost<<" "<<value<<" "<<dp[i][j]<<endl;

                        }
                    }
                }
            }
        }
        if(dp[N-1][Q]==INF)
        {
            printf("Case #%d: IMPOSSIBLE\n",ca);
        }
        else
        {
            printf("Case #%d: %d\n",ca,dp[N-1][Q]);
        }
    }
    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