POJ-2288 状压dp Hamilton回路

题意:Hamilton回路的权值为:

1、经过的每条边的两个点的点权和

2、连续经过两点的乘积

3、如果三条边形成三角形则再加上三个点权的乘积

求最大值+路径条数

 

思路:10来个点用一个小的邻接矩阵就可以判断是否相连,判断三角形就可以在dp加一维记录前两个点的信息,枚举的时候多枚举到前2个点

即dp[state][pre][now],表示当前为state、前一个点pre、当前点now的最大权值,路径条数跟最短路条数的记录方法一样

错的地方:没判断dp[state][pre][now] == -1就WA了,加上就A了,我之前明明都加上了i & (1<<j)这类点与状态冲突的判断,原因我猜是初始化+刷表法,-1是不合法不存在的状态,没加上会导致后面别的状态被刷了

 

代码:

 1 #include <cstdio>
 2 #include <cstring>
 3 #include <iostream>
 4 #include <algorithm>
 5 #include <queue>
 6 #include <vector>
 7 #define LL long long
 8 #define INF 0x3f3f3f3f
 9 #define debug(x) cout << #x << " = " << x << endl
10 using namespace std;
11 
12 LL dp[1<<13][14][14], num[1<<13][14][14];
13 LL a[14];
14 bool d[14][14];
15 
16 int main() {
17     int t, n, m;
18     scanf("%d", &t);
19     while (t--){
20         scanf("%d%d", &n, &m);
21         memset(d, 0, sizeof d);
22         for (int i = 0; i < n; i++) scanf("%lld", &a[i]);
23         for (int i = 0; i < m; i++){
24             int u, v;
25             scanf("%d%d", &u, &v);
26             u--, v--;
27             d[u][v] = d[v][u] = 1;
28         }
29         if (n == 1){
30             printf("%lld 1\n", a[0]);
31             continue;
32         }
33         memset(dp, -1, sizeof dp);
34         memset(num, 0, sizeof num);
35         for (int i = 0; i < n; i++){
36             for (int j = 0; j < n; j++){
37                 if (!d[i][j]) continue;
38                 if (i == j) continue;
39                 dp[(1<<i)+(1<<j)][i][j] = a[i]+a[j]+a[i]*a[j];
40                 num[(1<<i)+(1<<j)][i][j] = 1;
41             }
42         }
43         //dp[state][pre][now]
44         for (int i = 3; i < (1<<n); i++){
45             for (int j = 0; j < n; j++){
46                 if (!(i & (1 << j))) continue;
47                 for (int k = 0; k < n; k++){
48                     if (!(i & (1 << k))) continue;
49                     if (!d[j][k]) continue;
50                     if (dp[i][j][k] == -1) continue;
51                     for (int r = 0; r < n; r++){
52                         if (i & (1 << r)) continue;
53                         if (!d[k][r]) continue;
54                         LL tmp = dp[i][j][k] + a[r] + a[k]*a[r];
55                         if (d[j][r]) tmp += a[j]*a[k]*a[r];
56                         int nxt = i + (1 << r);
57                         if (tmp > dp[nxt][k][r]){
58                             dp[nxt][k][r] = tmp;
59                             num[nxt][k][r] = num[i][j][k];
60                         }
61                         else if (tmp == dp[nxt][k][r])
62                             num[nxt][k][r] += num[i][j][k];
63                     }
64                 }
65             }
66         }
67         LL ans = -1, sum = 0;
68         for (int i = 0; i < n; i++){
69             for (int j = 0; j < n; j++){
70                 if (i == j) continue;
71                 if (!d[i][j]) continue;
72                 if (dp[(1<<n)-1][i][j] > ans){
73                     ans = dp[(1<<n)-1][i][j];
74                     sum = num[(1<<n)-1][i][j];
75                 }
76                 else if (ans == dp[(1<<n)-1][i][j])
77                     sum += num[(1<<n)-1][i][j];
78             }
79         }
80         if (ans == -1) printf("0 0\n");
81         else printf("%lld %lld\n", ans, sum/2);
82     }
83     return 0;
84 }

 

转载于:https://www.cnblogs.com/QAQorz/p/10186879.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