Overcome ACM POJ 2370 - Democracy in danger

Problem: 2370
User: Poechant
Memory: 728K
Time: 16MS
Language: G++
Result: Accepted

    /*

     * 作者: 柳大·Poechant

     * 博客: http://blog.csdn.net/poechant

     * 思路: 先按每组人数对n组进行快排,然后算出前(n/2+1)组各组人数(若为x)的x/2+1的和,即为结果。

     */

    #include<iostream>

    usingnamespace std;


    int partition(int* data,int l,int h);

    void quick_sort(int* data,int l,int h);


    int main(void)

    {

       int n;

       while (cin >> n)

       {

           int i;

           int *m =newint[n];

           int sum = 0;

           for (i = 0; i < n; ++i)

           {

                cin >> m[i];

                sum += m[i];

           }

           quick_sort(m, 0, n -1);


           int d = 0;

           i = 0;

           int l = n / 2 + 1;

           while (i < l)

           {

                d += m[i] / 2 + 1;

                ++i;

           }

           cout << d <<endl;

       }

       return 0;

    }


    // quick sort algorithm

    void quick_sort(int* data,int l,int h)

    {

       if (l < h)

        {

           int m = partition(data, l, h);

            quick_sort(data, l, m - 1);

            quick_sort(data, m + 1, h);

        }

    }


    // partition for quick sorting

    int partition(int* data,int l,int h)

    {

       int k = data[h];

       int j = l;

       for (int i = l; i <= h; ++i)

        {

           if (data[i] < k)

            {

                data[i] = data[i] + data[j] - (data[j] = data[i]);

                ++j;

            }

        }

       if (data[j] > k)

        {

            data[j] = data[j] + data[h] - (data[h] = data[j]);

        }

       elseif (j < h)

        {

            ++j;

            data[j] = data[j] + data[h] - (data[h] = data[j]);

        }

       return j;

    }



    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

    钟超

    你的鼓励将是我创作的最大动力

    ¥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