【校内互测】陈老师搬书

245 篇文章 0 订阅
【问题描述】 
陈老师喜欢网购书籍,经常一次购它个百八十本,然后拿来倒卖牟取暴利。前些天,高一的新同学来了,他便像往常一样兜售他的书,经过一番口舌,同学们决定买他的书,但是陈老师桌上的书有三堆,每一堆都有厚厚的一叠,他要想个办法用最轻松的方式把书拿下来给同学们。但是你想逗一下陈老师,于是你设计一个最累的方式给他。若告诉你这三堆分别有i,j,k本书,以及每堆从下到上书的质量,每次取书只能从任一堆的最上面取,那么请你设计一个方案,让他花最大的力气取下所有的书。 
显然,每次取书陈老师的体力消耗都会加大,这里用体力系数代表,取下第一本书时,体力系数为1,第二本书时体力系数为2,依次类推,而每次体力消耗值则为体力系数与书的重量之积。 

举个例子:三堆书及重量如下:

   9

   2             10           3

第一堆   第二堆  第三堆

显然最累的取书方案是:右左左中,即:3*1+9*2+2*3+10*4=67。 
 
【输入】 
第一行3个整数,分别为三堆书的数量i,j,k 第二行至第四行分别为每堆由下至上的书本重量 【输出】 

输出最累方式的体力消耗总值。 

【样例】 

book.in 

3 2 4 

2 3 2 

1 5 

9 8 7 4

book.out

 257 

【数据规模】 

对于40%的数据有0≤i,j,k<10; 对于100%的数据有0≤i,j,k<100 

【题解】

很容易想到是dp,因为假如说f[i][j][k]表示第一堆取了前i本,第二堆取了前j本,第三堆取了前k本的最大体力值,那么这种状态的表示对以后是没有影响的,也就是说满足了无后效性和最优子结构。

那么方程就很简单了,f[i][j][k]从前一个状态递推出来的话只有三种情况:上一步从第1堆取,上一步从第2堆取,上一步从第3堆取。

【代码】

#include<iostream>
#include<cstring>
#include<cstdio>
#define inf 2100000000
using namespace std;
int I,J,K;
int a[105],b[105],c[105],f[105][105][105];
int main(){
	freopen("book.in","r",stdin);
	freopen("book.out","w",stdout);
	scanf("%d%d%d",&I,&J,&K);
	for (int i=I;i>=1;--i)
	  scanf("%d",&a[i]);
	for (int i=J;i>=1;--i)
	  scanf("%d",&b[i]);
	for (int i=K;i>=1;--i)
	  scanf("%d",&c[i]);
	for (int i=0;i<=I;++i)
	  for (int j=0;j<=J;++j)
	    for (int k=0;k<=K;++k){
	    	if (i-1>=0) f[i][j][k]=f[i-1][j][k]+a[i]*(i+j+k);
	    	if (j-1>=0) f[i][j][k]=max(f[i][j][k],f[i][j-1][k]+b[j]*(i+j+k));
	    	if (k-1>=0) f[i][j][k]=max(f[i][j][k],f[i][j][k-1]+c[k]*(i+j+k));
	    }
	printf("%d\n",f[I][J][K]);
}


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