noip2012-开车旅行(倍增)

60分:

裸的暴力,直接搞dfs。注意double。

直接上代码:

#include <iostream>
#include <cstdio>
#include <cstring>
#include <cmath>

using namespace std;
const int maxn=100005;
const double INF=0x3f3f3f3f;
struct node
{
    int d1,d2;
}e,res[maxn];
int h[maxn],vis[maxn],x0,n,cnt=0;
node find(int x,int flag,node tmp)//flag==1:a
{
    int m1=INF,v1=0,m2=INF,v2=0;
    for(int i=x+1;i<=n;i++)
    {
        int temp=abs(h[x]-h[i]);
        if(temp<m1||(temp==m1&&h[i]<h[v1]))
        {m2=m1;v2=v1;v1=i;m1=temp;}
        else if(temp<m2||(temp==m2&&h[i]<h[v2]))
        {v2=i;m2=temp;}
    }
    if(flag==1) 
    {
        if(v2==0) return tmp;
        tmp.d1+=m2;
        
        if(tmp.d1+tmp.d2>x0) {tmp.d1-=m2;return tmp;} 
        else return find(v2,2,tmp);
    }
    if(flag==2)
    {
        if(v1==0) return tmp;
        tmp.d2+=m1;
        if(tmp.d1+tmp.d2>x0) {tmp.d2-=m1;return tmp;} 
        else return find(v1,1,tmp);
    }
}
int main()
{
    h[0]=INF;
    scanf("%d",&n);
    for(int i=1;i<=n;i++) scanf("%d",&h[i]);
    scanf("%d",&x0);e.d1=e.d2=0;double minv=INF+1;int v=n+1;h[v]=-1;
    for(int i=1;i<=n;i++)
    {
        node x=find(i,1,e);
        double ians;
        if(x.d2==0) ians=INF;
        else ians=(x.d1*1.0)/(x.d2*1.0);
    //	cout<<x.d1<<" "<<x.d2<<endl;
    //	cout<<ians<<endl;
        if(ians<minv||(ians==minv&&h[i]>h[v])) 
        {minv=ians;v=i;}
    }
    printf("%d\n",v);
    int m;scanf("%d",&m);
    for(int i=1;i<=m;i++)
    {
        int st;scanf("%d%d",&st,&x0);
        node x=find(st,1,e);
        printf("%d %d\n",x.d1,x.d2);
    }
    return 0;
}

因为我是一条有追求的咸鱼,所以我开始研究100分的算法惹

因为我们要找对于每一个点的最近点和次近点。na:最近点。nb:次近点。

这里用链表,不想多说惹。。。

然后我们需要知道a(b)走了多少轮后的距离,同时也要把到达的点记录一下,考虑倍增。

fa[i][j]记得是A走2^j轮之后的距离。(B一样)

f[i][j]记得是从i走2^j个两步之后到达的点

然后就是求询问啦,不想啰嗦惹,就是正常的倍增处理呀(不过要分别弄一下a,b emmm)

搞到a,b下面就很好求了啊,还是那句话!!!注意double呐

没惹。。。代码太丑不想贴。。。

 

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