【知识】贪心

    贪心,也许算是算法中比较简单的一个了,然而要看出一道题是贪心并不是那么容易的。这两天学习了贪心,来总结一下贪心的套路。



    1.猜测

    有时候见到一道题,看起来挺像动态规划,但仔细琢磨发现又不太像,于是猜测这是一道贪心题目,然后给出验证,就可以很轻松的解决这道题了。所以,遇到最优子结构的题,可以猜测是否是贪心。



    2.验证

    猜测这道题是贪心之后,应该要去想办法验证它(或是验证它不对,改用动态规划),有些题其实肉眼看不出来全局最优解和局部最优解的关联,就需要用手去推演。比如有道题是这样的:

    FJ有n头牛,每头牛需要2*Ti分钟弄走,否则每分钟会吃掉Di朵花(被弄走时不吃花),求最少吃花。这道题设计了两个变量,看起来很像动态规划,我们不妨来推演一下:

    设FJ依次弄走i、j比依次弄走j、i更好,也就是:

    2*Ti*(Dj+others)+2*Tj*others<2*Tj*(Di+others)+2*Ti*Dothers

    整理一下:

    Ti*Dj<Tj*Di

    也就是:

    Ti/Di<Tj/Dj

    所以,我们可以发现,只要满足Ti/Di<Tj/Dj,i就比j更靠前,可以排序一下,并不需要动态规划。

    还有类似的题目也是不能一眼看出结论,需要我们去证明。



    3.实现

    贪心的题一般来说都会用到两种东西——排序和优先队列。

    排序一般适用于只贪心一遍的题(例如上述的保护花朵),而优先队列则更适合需要将上一次贪心的结果变成下一次的一个元素的那种题(例如合并果子),所以需要视情况使用。



    4.题目分类


    1)合并果子型:

    例:将n堆果子合并成1堆,每次只能合并2堆,费用为两堆果子的重量和,求最少费用

    方法:每次将最轻的两堆果子合成一堆,再把这一堆加入回去。

    证明:设有3堆果子依次合并成1堆,重量分别为a、b、c(a<b<c)

    1.((a,b),c)=>a+b+(a+b)+c=2a+2b+c

    2.((a,c),b)=>a+c+(a+c)+b=2a+2c+b

    3.((b,c),a)=>b+c+(b+c)+a=2b+2c+a

    因为a<b<c,所以2a+2b+c<2a+2c+b<2b+2c+a

    得证


    2)区间覆盖型:

    例1:有n个区间,在每个区间中需要放置至少1个点,问最少需要多少个点

    方法:将区间按右端点排序,如果某一个区间还没有点,则在最右端放置一个点

    证明:设按右端点排序后两个相邻的区间,[l1,r1]和[l2,r2]

    若他们不相交,在[l1,r1]上任何一个地方都无法覆盖[l2,r2],在r1放置是最优的

    若他们相交,在r1放置一定可以覆盖[l2,r2],在r1放置依然是最优的

    得证


    例2:有n个区间范围在[0,T] 之间,问完全覆盖[0,T]最少需要多少个区间

    方法:将区间按左端点排序(如果左端点相同按右端点排序),如果第1个区间无法覆盖0则无解。从第1个区间开始,然后寻找左端点在这个区间的所有区间(含自己)中右端点最靠右的,再从这个端点往后重复,如果满足条件的区间是自己,而还是没有覆盖满则无解,否则这个步骤进行了多少回答案就是多少

    证明:显然……


    3)贪心剪枝型:

    不知怎么说例题好。。。

    如果某一个式子需要寻找最值,若满足其中一个因素i使得式子比i-1差时i+1也比i-1差,就可以使用贪心,将以后的全部排除掉,不需要继续做下去。


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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