hdu 5536 Chip Factory 01trie+可删除


题目链接


题意:

求max( (a[i] + a[j]) a[k] ) (i, j, k都不相同)

思路:

这题可以暴力也可以01trie. 来说说01trie.
其实遇到异或求最大最小啊啥的都可以想01trie是否可做.
那么这个题肯定就是枚举两个和,然后跑01trie了.

关键是怎么解决下标不同的问题,这里解决办法是增加一个del函数,删除以某个前缀为数的个数.
即:num[]保存的是到该节点,以该前缀 的数的个数有多少,我们-1就相当于把这个数删除了.
具体见代码

#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
const int mod=1e9+7;
const int maxn=1e5+10;
typedef long long ll;

int a[maxn];
int n;
int trie[maxn][3];
int num[maxn];
int now;
void init()
{
    now = 1;
    memset(trie[0],0,sizeof trie[0]);
    return ;
}
void insert(int x)//插入 
{
    int d = 0;
    for(int i = 31;i >= 0;--i)
    {
        int tmp = (x >> i) & 1;//傻逼错误啊 = = 
        if(!trie[d][tmp])
        {
            num[now] = 0;
            memset(trie[now],0,sizeof trie[now]);
            trie[d][tmp] = now++;
        }
        d = trie[d][tmp];
        num[d]++;
    }
    return ;
}
void del(int x)//删除操作 
{
    int d = 0;
    for(int i = 31;i >= 0;--i)
    {
        int tmp = (x >> i) & 1;
        d = trie[d][tmp];
        num[d]--;//前缀个数-1即可 
    }
    return ;
}
int find(int x)//匹配 
{
    int res = 0,d = 0;
    for(int i = 31;i >= 0;--i)
    {
        int tmp = (x >> i) & 1;
        if(trie[d][tmp^1] && num[trie[d][tmp^1]])
        {
            res |= (1 << i);
            d = trie[d][tmp^1];
        }
        else
        d = trie[d][tmp];
    }
    return res;
}
int main(){

    int _;
    cin>>_;
    while(_--)
    {
        scanf("%d",&n);
        init();
        for(int i = 1;i <= n;++i)
        {
            scanf("%d",&a[i]);  
            insert(a[i]);
        }   
        int ans = 0;
        for(int i = 1;i <= n;++i)
        {
            del(a[i]);
            for(int j = i + 1;j <= n;++j)
            {
                del(a[j]);
                int s= a[i]+a[j];
                ans = max(ans,find(s));
                insert(a[j]);
            }
            insert(a[i]);
        }
        printf("%d\n",ans);
    }
    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

打赏作者

Marcus-Bao

万水千山总是情,只给五角行不行

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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