699 - The Falling Leaves

原题

思路:先序历遍建树

从最左的一个结点p开始,输出第一堆

当p不是根节点的时候:

p=p->parent     cnt =p->e  +   p->left->right->e    +p->right->left->e;

当p是根节点

当p->right!=NULL

p=p->right

cnt =p->e  +   p->left->right->e    +p->right->left->e;



后来在网上看了一下发现有更好的方法。不用建树,或者说是在一边建树一边统计

思路如下:把堆抽象成数组,先设定一个足够大的数组sum,假设大小为MAXIN,

sum[MAXIN/2]就是根节点的那一列落叶的位置

假设sum[p],每次左子树落在sum[p-1],右子树落在sum[p+1];同样以先序的方式去累计,就可得最后的结果


核心:结合问题去抽象。

           我觉得我的思想只是单纯的从数据结构考虑,比如先序历遍去建树;建完之后如何输出呢?

           很自然就会想到第一堆怎么求、第二堆怎么求。。。。然后就有了我的思路

           我的思路是以数据结构为主,然后如何通过这个数据结构去求解问题

 

           别人的思路是结合实际问题,这个问题应该是什么样子的?我要求的是什么?递归是如何发生的?这个过程和题目给的这种结构有什么关系?

           我现在比较缺乏的就是这种思考。

现在把两种思路代码都放上来:

思路一:

#include<iostream>
#include<stdio.h>
using namespace std;






struct node {
<span style="white-space:pre">	</span>int e;
<span style="white-space:pre">	</span>node*left;
<span style="white-space:pre">	</span>node*right;
<span style="white-space:pre">	</span>node*parent;


<span style="white-space:pre">	</span>node(int E) { e = E; left = right = parent = NULL; }
};
node*root = NULL;


node* create(node*pa)
{
<span style="white-space:pre">	</span>int v;
<span style="white-space:pre">	</span>cin >> v;
<span style="white-space:pre">	</span>if (v == -1)
<span style="white-space:pre">		</span>return NULL;
<span style="white-space:pre">	</span>else
<span style="white-space:pre">	</span>{
<span style="white-space:pre">		</span>node* nod = new node(v);
<span style="white-space:pre">		</span>nod->parent = pa;
<span style="white-space:pre">		</span>nod->left = create(nod);
<span style="white-space:pre">		</span>nod->right = create(nod);


<span style="white-space:pre">		</span>return nod;
<span style="white-space:pre">	</span>}
}


void fallingLeave()
{
<span style="white-space:pre">	</span>//先找到最左输出第一堆
<span style="white-space:pre">	</span>node*p = root;
<span style="white-space:pre">	</span>while (p->left != NULL)p = p->left;
<span style="white-space:pre">	</span>printf("%d", p->e);


<span style="white-space:pre">	</span>while (p->parent)
<span style="white-space:pre">	</span>{
<span style="white-space:pre">		</span>p = p->parent;
<span style="white-space:pre">		</span>int cnt = p->e;
<span style="white-space:pre">		</span>if (p->left&&p->left->right)cnt += p->left->right->e;
<span style="white-space:pre">		</span>if (p->right&&p->right->left)cnt += p->right->left->e;
<span style="white-space:pre">		</span>printf(" %d", cnt);
<span style="white-space:pre">	</span>}


<span style="white-space:pre">	</span>while (p->right)
<span style="white-space:pre">	</span>{
<span style="white-space:pre">		</span>p = p->right;
<span style="white-space:pre">		</span>int cnt = p->e;
<span style="white-space:pre">		</span>if (p->left&&p->left->right)cnt += p->left->right->e;
<span style="white-space:pre">		</span>if (p->right&&p->right->left)cnt += p->right->left->e;
<span style="white-space:pre">		</span>printf(" %d", cnt);
<span style="white-space:pre">	</span>}


<span style="white-space:pre">	</span>printf("\n");
}
int main()
{
<span style="white-space:pre">	</span>int cas = 0;
<span style="white-space:pre">	</span>for (;;)
<span style="white-space:pre">	</span>{
<span style="white-space:pre">		</span>root = create(NULL);
<span style="white-space:pre">		</span>if (root == NULL)return 0;


<span style="white-space:pre">		</span>cas++;
<span style="white-space:pre">		</span>printf("Case %d:\n", cas);
<span style="white-space:pre">		</span>fallingLeave();
<span style="white-space:pre">		</span>printf("\n");
<span style="white-space:pre">	</span>}
<span style="white-space:pre">	</span>return 0;
}

思路二:

// UVa699 The Falling Leaves
// Rujia Liu
// 题意:给一棵二叉树,每个节点都有一个水平位置:左儿子在它左边1个单位,右儿子在右边1个单位。从左向右输出每个水平位置的所有结点的权值之和。按照递归方式输入,-1表示空树
// 算法:在“建树”的同时计算,无须真正的把树保存下来

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

const int maxn = 200;
int sum[maxn];

// 输入并统计一棵子树,树根水平位置为p
void build(int p) {
  int v;
  cin >> v;
  if(v == -1) return; // 空树
  sum[p] += v;
  build(p - 1);
  build(p + 1);
}

// 边读入边统计
bool init() {
  int v;
  cin >> v;
  if(v == -1) return false;

  memset(sum, 0, sizeof(sum));
  int pos = maxn/2; // 树根的水平位置
  sum[pos] = v;
  build(pos - 1); // 左子树
  build(pos + 1); // 右子树
  return true;
}

int main() {
  int kase = 0;
  while(init()) {
    int p = 0;
    while(sum[p] == 0) p++; // 找最左边的叶子

    // 开始输出。因为要避免行末多余空格,所以稍微麻烦一点
    cout << "Case " << ++kase << ":\n" << sum[p++];
    while(sum[p] != 0) {
      cout << " " << sum[p];
      p++;
    }
    cout << "\n\n";
  }
  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