hdu1150 Machine Schedule

题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=1150

题目大意:有两台机器A,B,分别有n,m种模式,有k个任务要处理,每个任务在机器A或B上处理需要一种特殊模式,例任务0在机器A上处理需模式2,在机器B上处理需模式1,任务1在机器A上处理需模式3,在机器B上处理需模式4。每个任务可以在机器A或B上执行,任务执行顺序可以任意调动,机器A和B的初始模式都是0,机器没切换一种模式需重启一次。求执行完这些任务,机器A,B所需重启的最少次数。

题目解析:根据此题要求分析,我们可以建一个二部图,节点分别为机器A和机器B的模式,每个人任务一条边,那么便转换成求用最少的节点覆盖所有的边(既用最少的机器模式解决所有的任务),有最少点覆盖=二分图最大匹配。那么本题既求二分图最大匹配即可。


#include<stdio.h>
#include<stdlib.h>
#include<string.h>
#define MAX 110
int map[MAX][MAX];
int link[MAX],vis[MAX];
int n,m,k;
int dfs(int x)
{
    int i;
    for (i=1;i<=m;i++)
    {
        if (map[x][i]&&!vis[i])
        {
           vis[i]=1;
           if (link[i]==-1||dfs(link[i]))
           {
              link[i]=x;
              return 1;                              
           }                       
        }    
    }
    return 0;
}
int main()
{
    while (scanf("%d",&n)!=EOF)
    {
          if (n==0)
             break;
          int i,j,u,v,w,ans=0;
          memset(map,0,sizeof(map));
          memset(link,-1,sizeof(link));
          scanf("%d%d",&m,&k);  
          for (i=0;i<k;i++)
          {
              scanf("%d%d%d",&w,&u,&v);
              if (u==0||v==0)  //如果任务处理在任意机器上的模式为0,那么不需要处理,因为初始模式就为0
                 continue;
              map[u][v]=1;   
          }
          for (i=1;i<=n;i++)
          {
              memset(vis,0,sizeof(vis));
              ans+=dfs(i);       
          }    
          printf("%d\n",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