FZU 1064 教授的测试(Catalan数的应用)

题目链接>>FZU 1064 教授的测试


解法:卡特兰数的应用。用递归直接输出。根据这个树排名,来确定左子树的节点个数和排名,以及右子树的节点个数和排名。


关于卡特兰数的应用总结,可以参考这几篇文章
http://blog.csdn.net/dacc123/article/details/50922138
http://blog.csdn.net/myue5/article/details/7984061
https://wenku.baidu.com/view/c2f253d226fff705cc170ad6.html


看完上述文章后是不是理解为啥要用 Catalan 数来做了吗?
因为节数为 i 的二叉树最多有Catalani


定义 ctl 数组为 Catalan 数前17项
(为什么是17项,因为

i=116Catalani=48760366<108

i=117Catalani=178405156>108


定义sum数组为ctl数组的前缀和( sum 里面ctl[0]不算进去,因为没有排名为 0 的树)
如果
n(sumi,sumi+1]
那么我们可以判断排名为 n 的二叉树有i+1个节点
这棵树在有 i+1 个节点的树中排名为 nsumi
然后我们可以来递归搜索了,因为对于一棵树只要知道他子树的节点数和其排名就可以求出这棵树了

#include<cstdio>
int sum[18]={1,1,3,8,22,64,196,625,2055,6917,23713,82499,290511,1033411,3707851,13402696,48760366,178405156};
int ctl[18]={1,1,2,5,14,42,132,429,1430,4862,16796,58786,208012,742900,2674440,9694845,35357670,129644790};
void dfs(int x,int rank){
    if(x==1){putchar('X');return;}//边界条件 
    int i=x,tot=0;//i表示右子树有几个点 
    while(tot<rank){i--;tot+=ctl[i]*ctl[x-i-1];}//左子树有x-i-1个节点时,右子树有i个节点时的总方案数
    rank=rank-(tot-ctl[i]*ctl[x-i-1])-1;//减去前面那一堆算出当前树在 左子树有x-i-1个节点时,右子树有i个节点 的树中的排名 
    if(x-i-1>0)putchar('('),dfs(x-i-1,rank/ctl[i]+1),putchar(')');//在左子树中,排名每增加1 右子树要增加ctl[i]次 
    putchar('X');//令左子树在左子树的rank中为ranky,右子树为rankx,所以就有(ranky-1)*ctl[i]+rankx=rank(ranky∈[1,ctl[x-i-1]],rankx∈[1,ctl[x]]) 
    if(i>0)putchar('('),dfs(i,rank%ctl[i]+1),putchar(')');//所以rankx=rank%ctl[i] ranky=rank/ctl[i]+1 但是由于rankx可能等于ctl[i]导致结果出错 
}//所以不妨做个小处理(ranky-1)*ctl[i]+(rankx-1)=rank-1 这样就可以避免上述情况了,此时 rankx=rank%ctl[i]+1 ranky=rank/ctl[i]+1
int main(){
    int i,n;
    while(scanf("%d",&n),n!=0){
        for(i=0;i<=17;i++)if(sum[i]<n&&n<=sum[i+1])break;
        dfs(i+1,n-sum[i]);puts("");
    }
return 0;
}

其实 Catalan 数列很神奇,但是在组合数学中还有许许多多的神奇数列,有兴趣的可以去了解一下,这里就不做赘述了。

谢谢观看!

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,生成器生成据,判别器评估据的真实性。 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(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。 9. **损失函(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。 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。
【6层】4837.9平米六层框架综合办公楼(含计算书、建筑、结构图纸) 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。
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