HDU 3033 I love sneakers!(分组背包)

题目:点击打开链接


题意:有n双鞋,有m总现金,这n双鞋属于p种品牌。然后给你每双鞋的品牌号,价格,价值。要求每个品牌至少买一双,可以买多双,求最大价值。


解法:一或多分组背包问题,先预处理,c[i][j]:品牌号为i的第j双鞋的价格,v[i][j]:品牌号为i的第j双鞋价值。三重循环里k枚举k种品牌 i为第k种品牌中第i双鞋 j从总现金m到c[k][i]。这里需要处理dp初始值为负无穷才能满足必须最少选一个,还有用dp1[j]来保存当前组上一组的所有dp值。

状态转移方程:dp[j]=max(dp[j],max(dp[j-c[k][i]]+v[k][i],dp1[j-c[k][i]]+v[k][i]))


代码:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
#include <iostream>
#include <cstring>

using namespace std;

const int INF=0x3f3f3f;
int main()
{
    int n,m,p,dp[10002],dp1[10002],t[102],c[12][102],v[12][102],num,code,value;
    while(cin>>n>>m>>p)
    {
        memset(dp,0,sizeof(dp));
        memset(t,0,sizeof(t));
        for(int i=1;i<=n;i++)
        {
            cin>>num>>code>>value;
            t[num]++;
            c[num][t[num]]=code;
            v[num][t[num]]=value;
        }
        for(int k=1;k<=p;k++)
        {
            for(int j=0;j<=m;j++) dp1[j]=dp[j];
            memset(dp,-INF,sizeof(dp));
            for(int i=1;i<=t[k];i++)
                for(int j=m;j>=c[k][i];j--)
                    dp[j]=max(dp[j],max(dp[j-c[k][i]]+v[k][i],dp1[j-c[k][i]]+v[k][i]));

        }
        if(dp[m]>=0) cout<<dp[m]<<endl;
        else cout<<"Impossible"<<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