HDU 2829 斜率DP

发现我的斜率DP模板挺不错的啊!


裸题。 

只不过变为了2维。 核心参考价值不大。

学习斜率DP请参考我另一篇博客:http://blog.csdn.net/baidu_23081367/article/details/52077835


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


typedef long long LL;  
const int maxn = 1000 + 100;  
int n, m;  
LL a[maxn], s[maxn];  
LL q[maxn], tail, head;  
LL f[maxn][maxn];  
LL c[maxn];
const LL inf = 1LL<<50;  

/*
f[i][j] = f[k][j-1] + s[i]-s[k]
*/

int p;

LL y(int k)  
{  
	return f[k][p-1] - c[k] + s[k] * s[k];  
}  

LL x(int k)  
{  
	return s[k];  
}  

bool slope(int i, int j, int k) //得出j,k斜率  
{  
	//判断i,j的斜率,和j,k的斜率谁更大  
	//如果i,j斜率<=j,k斜率,那么就需要退了  
	return (y(i) - y(j)) * (x(j) - x(k)) <= (y(j) - y(k)) * (x(i) - x(j));  
}  

LL zhuan(int j, int i)//j<i,j向i转移的值  
{  
	//return f[j] + (s[i] - s[j]) * (s[i] - s[j]) + m;  
	return f[ j ][ p - 1 ] + c[ i ] - c[ j ] - s[ j ]*(s[ i ]-s[ j ]);
}  

void init()  
{  
	tail = head = 0; //tail == head则为空  
	for (int i = 1; i <= n; ++ i)    scanf("%lld", &a[i]);  //这里特别注意:用1下标
	memset(s, 0, sizeof(s));  
	memset(c, 0, sizeof(c));
	for (int i = 1; i <= n; ++ i)	s[i] = s[i - 1] + a[i];
	for (int i = 1; i <= n; ++ i)	c[i] = c[i - 1] + s[i-1]*a[i];
	q[tail++] = 0;  
}  

void dp()  //求f[...][p]
{  
	head = tail = 0;
	q[tail++]=0;
	for (int i = 1; i <= n; ++ i)  
	{  
		while (head + 1 != tail && zhuan(q[head], i) >= zhuan(q[head + 1], i)) //如果队列里元素超过1个,那么就比较  
			++head;  
		f[i][p] = zhuan(q[head], i);  
		while (head + 1 != tail && slope(i, q[tail - 1], q[tail - 2]))    
			--tail;  
		q[tail++] = i;  
	}  
}  

void doit()
{
	for (int i = 1; i <= n; ++ i)
	{
		f[i][1] = c[i];
	}

	for (p=2; p <= m+1; ++ p)
	{
		dp();
	}
	cout <<  f[n][m+1] << endl;
}

int main()  
{  
	while (~scanf("%d%d", &n, &m))  
	{  
		if (!n && !m)	break;
		init();  
		doit();  
	}  
	return 0;  
}  


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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