【NOIP2013模拟11.4A组】积木(brick)

题目

http://172.16.0.132/senior/#contest/show/2061/3

小结

这题竟然是dp!
我们设f[i,j]表示到第i个的高度为j的方案数。
那么我们就可以知道,f[i,j]=f[i-1,j-1]+f[i-1,j]+f[i-1,j+1];但是我们j要枚举,于是我们就看j能够枚举到多少。我们知道 每个点,肯定要不比上一个多1,要不一样,要不比上一个少1。所以我们就可以预处理出所有位置最高的高度,比如说,n=8,那么我们知道h[1]和h[n]都是等于0的,所以n=8时就是0,1,2,3,3,2,1,0.最后,我们就可以这样很轻松的实现了,但是会T。
我们考虑优化,因为所有的都是要mod 1000000007 的,但这样mod会很慢,所以我们考虑每20次mod一次,这样就可以使时间得到优化。就A啦~

var
        n,m,i,k,j,l1,l2:longint;
        h,max:array[0..20000]of longint;
        f:array[0..1,-1..20001]of int64;
begin
        assign(input,'brick.in');reset(input);
        assign(output,'brick.out');rewrite(output);
        readln(n);
        for i:=1 to n do
                read(h[i]);
        if n mod 2=0 then
        begin
                for i:=2 to n div 2 do
                        max[i]:=max[i-1]+1;
                max[n div 2+1]:=max[n div 2];
                for i:=n div 2+2 to n do
                        max[i]:=max[i-1]-1;
        end
        else
        begin
                for i:=2 to n div 2+1 do
                        max[i]:=max[i-1]+1;
                for i:=n div 2+2 to n do
                        max[i]:=max[i-1]-1;
        end;
        if h[1]>0 then
        begin
                writeln(0);
                halt;
        end;
        f[1,0]:=1;
        h[1]:=0;
        h[n]:=0;
        l1:=1;
        for i:=2 to n do
        begin
                k:=0;
                if i mod 20=0 then k:=1;
                l1:=i mod 2;
                l2:=(i-1) mod 2;
                if h[i]=-1 then
                begin
                        for j:=0 to max[i] do
                        begin
                                if k=1 then f[l1,j]:=(f[l2,j-1]+f[l2,j]+f[l2,j+1]) mod 1000000007
                                else f[l1,j]:=f[l2,j-1]+f[l2,j]+f[l2,j+1];
                        end;
                end
                else
                begin
                        j:=h[i];
                        if k=1 then f[l1,j]:=(f[l2,j-1]+f[l2,j]+f[l2,j+1]) mod 1000000007
                                else f[l1,j]:=f[l2,j-1]+f[l2,j]+f[l2,j+1];
                end;
                fillchar(f[l2],sizeof(f[l2]),0);
        end;
        writeln(f[l1,0] mod 1000000007);
        close(input);
        close(output);
end.
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