LG 1280 尼克的任务

3 篇文章 0 订阅
题目描述

尼克每天上班之前都连接上英特网,接收他的上司发来的邮件,这些邮件包含了尼克主管的部门当天要完成的全部任务,每个任务由一个开始时刻与一个持续时间构成。

尼克的一个工作日为N分钟,从第一分钟开始到第N分钟结束。当尼克到达单位后他就开始干活。如果在同一时刻有多个任务需要完成,尼克可以任选其中的一个来做,而其余的则由他的同事完成,反之如果只有一个任务,则该任务必需由尼克去完成,假如某些任务开始时刻尼克正在工作,则这些任务也由尼克的同事完成。如果某任务于第P分钟开始,持续时间为T分钟,则该任务将在第P+T-1分钟结束。

写一个程序计算尼克应该如何选取任务,才能获得最大的空暇时间。

输入格式:

输入数据第一行含两个用空格隔开的整数N和K(1≤N≤10000,1≤K≤10000),N表示尼克的工作时间,单位为分钟,K表示任务总数。
接下来共有K行,每一行有两个用空格隔开的整数P和T,表示该任务从第P分钟开始,持续时间为T分钟,其中1≤P≤N,1≤P+T-1≤N。

输出格式:

输出文件仅一行,包含一个整数,表示尼克可能获得的最大空暇时间。

输入输出样例

输入样例#1:
15 6
1 2
1 6
4 11
8 5
8 1
11 5
输出样例#1:
4

thinking: 又是一道动态规划的题目。这里dp[i]表示的是从第i分钟到第n分钟的空闲时间,那最后输出dp[1]就好了。之所以从后向前是因为如果从前向后的话,定义dp[i]为第1分钟到第i分钟的空闲时间,那这回和后面的时间有关系,所以从后向前。如果第i分钟是空闲,那么dp[i] = dp[i+1] + 1,如果第i分钟在工作,那么就从以第i分钟为开始的任务中选择空闲时间最长的就好了。if(nodes[j].start == i)dp[i] = max(dp[i], dp[i+nodes[j].last]);

其实我最后还想写一些自己这两天的感受,先是昨天(周五)公选课结束之后虽然强迫自己在教室自习,但是满脑子都是我是歌手,想听张韶涵,于是我回了寝室;再是今天,看大物一直头疼,可能和中午没睡觉有关系,总之就是很丧啊,然后我就看洛谷上面的动态规划的题目,结果就是脑子更疼了。期末加油吧,之前总是喜欢干什么都一个人,现在想想多一些人坚持下去的可能性会更大吧。

#include<bits/stdc++.h>
using namespace std;

struct node{
    int start, last;
}nodes[10010];
int sum[10010];
int dp[10010];
int n, k;

bool cmp(const node&a, const node& b){
    if(a.start > b.start)
        return  true;
    return false;
}

int main(){
    scanf("%d%d", &n, &k);
    for(int i = 1; i <= k; i++){
        scanf("%d%d", &nodes[i].start, &nodes[i].last);
        sum[nodes[i].start]++;
    }
    sort(nodes+1, nodes+k+1, cmp);
    for(int i = n; i > 0; i--){
        if(sum[i] == 0)
            dp[i] = dp[i+1] + 1;
        else{
            for(int j = 1; j <= k; j++){
                if(nodes[j].start == i)
                    dp[i] = max(dp[i], dp[i+nodes[j].last]);
            }
        }
    }
    printf("%d\n", dp[1]);
    return 0;
}
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