气象牛【DP】

题目大意:
N N 次气压测量结果,M[1] M[2]...M[N] M [ 2 ] . . . M [ N ] 。要找出一部分测量结果来总结全部的气压分布。 用 K K 个数s[1] s[2]...s[N] s [ 2 ] . . . s [ N ] 来概括所有测量结果。对于任何测量结果子集,每一个非此子集中的结果都会产生误差。总误差是所有测量结果的误差之和。误差计算如下:
  

  • 如果 i i 小于 s[1], 误差是 2×|M[i]M[s[1]]| 2 × | M [ i ] − M [ s [ 1 ] ] |
  • 如果 i i s[j] s[j+1] s [ j + 1 ] 之间,误差是 |2×M[i]Sum(s[j],s[j+1])| | 2 × M [ i ] − S u m ( s [ j ] , s [ j + 1 ] ) |
    注: Sum(x,y)=M[x]+M[y] S u m ( x , y ) = M [ x ] + M [ y ]
  • 如果 i i 大于s[K],误差为 2×|M[i]M[S[k]]| 2 × | M [ i ] − M [ S [ k ] ] |

若最大允许的误差为 E E ,找出最小的一部分结果使得误差不超过E


思路:

吐槽:原题是真的玄学,根本看不懂。

好奇怪的一道题啊。害得我这次考试考了倒一。。。


正解: DP D P

题目都看不懂还打啥不会的DP
f[i][j] f [ i ] [ j ] 表示 i1 第 i − 1 点和第 j+1 j + 1 点都选, i i j这段区间的值。
方程:

f[k][j+1]=min(f[k][j+1],f[i][j]+t[i+1][k1]) f [ k ] [ j + 1 ] = m i n ( f [ k ] [ j + 1 ] , f [ i ] [ j ] + t [ i + 1 ] [ k − 1 ] )


代码:

#include <cstdio>
#include <cstring>
#include <iostream>
using namespace std;

const long long inf=1e17;
long long n,m,a[501],f[501][501],t[501][501];

long long abs(int x)
{
    return x>0?x:-x;
}

int main()
{
    scanf("%lld%lld",&n,&m);
    for (long long i=1;i<=n;i++)
     scanf("%lld",&a[i]);
    for (long long i=0;i<=n+1;i++)
     for (long long j=i+1;j<=n+1;j++)
      for (long long k=i+1;k<=j-1;k++)  //初始化每种情况的误差
      {
        if (!i) t[i+1][j-1]+=2*abs(a[k]-a[j]);
        if (i&&j<=n) t[i+1][j-1]+=abs(a[k]*2-(a[i]+a[j])); 
        if (j>n) t[i+1][j-1]+=2*abs(a[k]-a[i]);
      }
    memset(f,127/3,sizeof(f));
    f[0][0]=0;  //初始化
    for (long long i=0;i<=n;i++)
     for (long long j=0;j<=n;j++)
      for (long long k=i+1;k<=n+1;k++)
       f[k][j+1]=min(f[k][j+1],f[i][j]+t[i+1][k-1]);
    for (long long i=2;i<=n+1;i++)
     if (f[n+1][i]<=m)
      return printf("%lld %lld\n",i-1,f[n+1][i])&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