Codeforces Round #190 (Div. 2) B. Ciel and Flowers

重点还是推一下式子。

设mixing bouquet个数为x,F(x,y) = [(y-x)/3],则答案为f(x) = F(x,r)+F(x,g)+F(x,b),这里的[]代表向下取整,猜测一下f(x)的单调性。

推这个式子f(x+1) - f(x) = 1+F(x+1,r)-F(x,r)+F(x+1,g)-F(x,g)+F(x+1,b)-F(x,b)。

对F(x+1,r)-F(x,r)分析:令S=[(y-x-1)/3]-[(y-x)/3],显然麻烦的是取整函数,分类讨论下:

I.(y-x)%3 = 0,则S = -1,II.否则S = 0。可见对于集合T = {r,g,b},若对所有的t属于T,且(t-x) % 3 != 0,则f(x+1)-f(x) = 1,否则f(x+1)-f(x)<=0。

此时仍无法说明f(x)是否单调。我们将T中元素%3,得到新的所谓取模集合T‘={r',g',b'},T’中所有元素取值在区间[0,2]中。

由I情况可知,当f(x+1)-f(x) = 1时,令x' = x % 3,我们对所有t'属于T’,必有x' != t‘,若f(x)非单调减,则对所有的x,我们有f(x+1)-f(x)>=0,

但这是不可能的,因为T’是不变的,而x' = x % 3,始终在[0,2]区间内,如若有f(x+1) - f(x) = 1,则|T’-x'|(这里||指集合的大小) 必定等于2,我们把

r',g',b'映射到T'-x'这个集合中即可发现至少有2个落在了同一个元素上,于是在取值为x+1或者x+2时必定存在f(x+2) - f(x+1) >= -1,或者f(x+3) - f(x+2) >= -1,

当同一个元素上有2个映射点,则f(x)这个函数实际上在[y,y+1]区间内徘徊,若有3个映射点,则则f(x)这个函数实际上在[y,y+2]区间内徘徊,因此,

我们只需要对于x取连续的三个数即可,注意x<=min(r,g,b)。

#define _CRT_SECURE_NO_WARNINGS
#include <iostream>
#include <cstdio>
#include <algorithm>
#include <cmath>
#include <queue>
#include <cstring>
#include <string>
#include <bitset>
#include <stack>
#include <set>
#include <map>
#include <list>
#include <assert.h>
using namespace std;
#define e exp(1.0)
typedef long long ll;
#define MAXN 100005
#define mod 998244353
#define INF 0x3f3f3f3f3f3f3f
#define fe(i,st,en) for(i = (st);i <= (en);++i)
#define fne(i,st,en) for(i = (st);i < (en);++i)
#define ri register int
#define db double
int main() {
    int r, g, b;
    cin >> r >> g >> b;
    int li = min(r, min(g, b)), ans = 0;
    for (int i = 0; i <= min(2, li); ++i) ans = max(ans, (r - i) / 3 + (g - i) / 3 + (b - i) / 3 + i);
    cout << ans << endl;
    return 0;
}

 

转载于:https://www.cnblogs.com/zhuiyicc/p/10926695.html

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