小奇分糖果

【题目背景】
小奇将糖果都装回了同一个口袋里,现在它想把糖果分到一些口袋中,以便送给
它的小伙伴。
【问题描述】
小奇有 n 个口袋,标号从 1 到 n。第 1 个口袋装着 m 个糖果,现在小奇要对糖果
进行移动,使得第 i 个口袋正好有 a i 个糖果。
小奇手头有一个半自动分糖机。每次它可以选择两个标号 a,b(要求口袋 a 的
糖果数为偶数),然后分糖机会将口袋 a 中的糖果分成相等数量的两份,然后将
其中的一份取出来放入口袋 b。
小奇想知道,如何操作能达到它的目标呢?
【输入格式】
第一行包含一个正整数 T,表示数据组数。
每组数据的第一行包含两个正整数 n,m。
第二行有 n 个非负整数,a 1 ,a 2 ...a n ,保证∑a i = m。
【输出格式】
对于每组数据,第一行输出一个字符串,若可以通过适当的操作达到小奇的目标,
输出 yes,否则输出 no。
第二行为一个非负整数 p,表示你给出的方案的操作次数,如果上一行为 no,则 p
为 0。
接下来的 p 行,依次给出操作方案,每行两个整数 a,b,表示一次操作。
(方案可能有很多种,你只需输出任意一种即可,对方案的最优性不作要求。若存
在解,则最优解的 p 不会超过 1000000,为防止输出文件过大,你的方案中 p 不
得大于 1000000。)
【样例输入】
3
2 4
1 3
3 24
3 6 15
2 5
1 4
【样例输出】
yes
21 2
1 2
yes
3
1 3
1 2
1 3
no
0
【数据范围】
对于 30%的数据,若数据有解,则最少操作步数不超过 10。
对于另外 20%的数据,将 ai 排序后的序列{b n },满足:
b 1 = b 2 = ... = b n

b 1 = b 2, b i = 2b i-1 (i >= 3)
对于 100%的数据 n <= 10000,1 <= m <= 2^31。
【评分标准】
对于每个测试点,按照下列标准评分。
若有某组数据可行性判断错误或输出格式不符合要求,得 0 分。
所有数据可行性判断均正确,得 4 分。
所有数据可行性判断均正确,且均给出了合法方案,得 10 分。

令$d=gcd(a_i)$,可以证明若$m=d*2^{k}$问题才有解

否则无解

如果$b_i=a_i/d$为奇数,那么就需要合并

然后$d$就会$d=d*2$,一直到$d=m$

 1 #include<iostream>
 2 #include<cstdio>
 3 #include<cstring>
 4 #include<cmath>
 5 #include<algorithm>
 6 using namespace std;
 7 typedef long long lol;
 8 int a[10001],cnt,n,m,l[1000001],r[1000001];
 9 int gcd(int a,int b)
10 {
11   if (!b) return a;
12   return gcd(b,a%b);
13 }
14 void dfs(int t)
15 {int i;
16   int tot=0,q[10001];
17   if (t==m) return;
18   for (i=1;i<=n;i++)
19     if ((a[i]/t)%2) q[++tot]=i;
20   for (i=1;i<=tot;i+=2)
21     {
22       if (a[q[i]]>a[q[i+1]]) swap(q[i],q[i+1]);
23       a[q[i+1]]-=a[q[i]];
24       a[q[i]]*=2;
25       l[++cnt]=q[i];r[cnt]=q[i+1];
26     }
27   dfs(t*2);
28 }
29 void work()
30 {int i,t=0;
31   cin>>n>>m;
32   cnt=0;
33   for (i=1;i<=n;i++)
34     scanf("%d",&a[i]);
35   for (i=1;i<=n;i++)
36     {
37       t=gcd(a[i],t);
38     }
39   int x=m/t;
40   while (x%2==0) x/=2;
41   if (x!=1)
42     {
43       cout<<"no\n";
44       cout<<"0\n";
45       return;
46     }
47   dfs(t);
48   cout<<"yes\n";
49   cout<<cnt<<endl;
50   for (i=cnt;i;i--)
51     printf("%d %d\n",l[i],r[i]);
52 }
53 int main()
54 {int T;
55   cin>>T;
56   while (T--)
57     {
58       work();
59     }
60 }

 

转载于:https://www.cnblogs.com/Y-E-T-I/p/8653356.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