Uva-1336-Fixing the Great Wall

150 篇文章 0 订阅

这个题大意是给你一些需要修复位置的坐标,以及修复他们的费用和等待单位时间所产生的费用,让你求出最少的费用将所有位置修复。

 思路:

首先应该对X进行离散化并进行排序,然后每次修复的时候肯定是以区间进行修复的,所以用dp[i][j][k]表示修复区间i->j,并且当前位置在k所产生的最少费用

代码:

#include<cstdio>
#include<cstring>
#include<iostream>
#include<algorithm>
#include<cmath>
using namespace std;
const int inf=1<<29;
const int maxn=1100;
struct Node
{
    int x;
    int c;
    int d;
    bool operator < (const Node &a)const{
        return x<a.x;
    }
}a[maxn];
int n,v,x,X[maxn],cntx,sum[maxn];
double dp[maxn][maxn][2];
void Init()
{
    for(int i=1;i<=n;i++)
        sum[i]=sum[i-1]+a[i].d;
    for(int i=0;i<=n;i++)
        for(int j=i;j<=n;j++)
            dp[i][j][0]=dp[i][j][1]=inf;
}
void solve()
{
    Init();
    for(int i=1;i<=n;i++)
    {
        double t=abs(X[a[i].x]-x)*1.0/v;
        dp[i][i][0]=dp[i][i][1]=(sum[i]-sum[0])*t+(sum[n]-sum[i])*t+a[i].c;
    }
    for(int j=1;j<=n;j++)
        for(int i=1;i+j<=n;i++)
        {
            dp[i][i+j][0]=min(dp[i+1][i+j][0]+(abs(X[a[i].x]-X[a[i+1].x])*1.0/v)*(sum[i]-sum[0]+sum[n]-sum[i+j])+a[i].c,
                    dp[i+1][i+j][1]+(abs(X[a[i+j].x]-X[a[i].x])*1.0/v)*(sum[i]-sum[0]+sum[n]-sum[i+j])+a[i].c);
            dp[i][i+j][1]=min(dp[i][i+j-1][1]+(abs(X[a[i+j].x]-X[a[i+j-1].x])*1.0/v)*(sum[i-1]-sum[0]+sum[n]-sum[i+j-1])+a[i+j].c,
                    dp[i][i+j-1][0]+(abs(X[a[i].x]-X[a[i+j].x])*1.0/v)*(sum[i-1]-sum[0]+sum[n]-sum[i+j-1])+a[i+j].c);
        }
    int ans=min(dp[1][n][0],dp[1][n][1]);
    printf("%d\n",ans);
}
int main()
{
    while(scanf("%d%d%d",&n,&v,&x)!=EOF)
    {
        if(n+v+x==0)
            break;
        cntx=0;
        X[cntx++]=x;
        for(int i=1;i<=n;i++)
        {
            scanf("%d%d%d",&a[i].x,&a[i].c,&a[i].d);
            X[cntx++]=a[i].x;
        }
        sort(X,X+cntx);
        cntx=unique(X,X+cntx)-X;
        for(int i=1;i<=n;i++)
            a[i].x=lower_bound(X,X+cntx,a[i].x)-X;
        sort(a+1,a+n+1);
        solve();
    }
    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