九度_清华2012_玛雅人的密码

题目链接

http://ac.jobdu.com/problem.php?pid=1482

说实话,看到这个题目完全没有思路,所以去看了很多代码,都是说用广搜,但是自己还是想了很久,然后看懂了学长的代码,照着抄理解了下。

然后意识到,真的是学的东西完全不会用,所以决定要努力,从现在开始也不晚。

#include<iostream>
#include<string.h>
#include<queue>
#include<algorithm>
#include<cstdio>
using namespace std;
struct node{
		string str;
		int step;
	};
	int vis[1600000];
queue<node> que; 
int n;
string s;
int judge(string s)
{
	if(s.find("2012")!=-1)
		return 1;
	return 0;
}
int getnum(string s)
{
	int x=0;
	for(int i=0;i<n;i++)
	{
		x*=3;
		x+=s[i]-'0'; 
	}
	return x;
}

int main()
{
	while(scanf("%d",&n)!=EOF)
	{
	//	cin.ignore();
		cin>>s;
		//cout<<judge(s)<<endl;
		while(!que.empty())  
            que.pop();  
        memset(vis,0,sizeof vis); 
		node test;
		test.str=s;
		test.step=0;
		que.push(test);
		int flag=0;
		while(!que.empty())
		{
			test=que.front();
			que.pop();
			if(judge(test.str))
			{
				flag=1;
				cout<<test.step<<endl;
				break;
			}
			for(int i=0;i<n-1;i++)
			{
				swap(test.str[i],test.str[i+1]);
				int num=getnum(test.str);
				if(!vis[num])
				{
					vis[num]=1;
					node p;
					p.str=test.str;
					p.step=test.step+1;
					que.push(p);
				}
				swap(test.str[i],test.str[i+1]);
			}
		}
		if(!flag)
			cout<<"-1"<<endl;
	}
	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