poj 1185 炮兵阵地 状态压缩dp

这是我第一次写状态压缩dp,刚开始毫无思路,然后网上搜了一下,经过一整天最终才看懂思路,AC。

首先,第i行与i-1行与第i-2有关(状态),于是假设dp【i】【j】=dp【i-1】【k】+状态j中炮兵的个数(i代表行,j代表改行的状态,dp值代表前i行最大炮兵值)发现这个不行,因为只与第i-1行有关,还得与第i-2行有关,于是我们就得增加维度d【i】【j】【k】,k代表第i-2行的状态,于是有:d[r][j][k]=max(d[r][j][k],d[r-1][k][L]+状态j中炮兵的个数);


还有一点就是先得做一点预处理,首先把合法的状态存下来(1----(1<<n-1)),约束条件是左右炮兵需要大于2,状态数大概只有60,然后j,k只需在60中枚举即可。

/*为大家方便明白,注释比较多。该题可深化动态规划,状态压缩等知识。*/
#include<iostream>
#include <string.h>
using namespace std;
char map[101][11];//地图
int surface[101];//地形状态压缩数
int state[61];//所有的合法状态压缩数
int stanum[61];//相应状态的炮兵数量
int f[101][61][61];//动态规划存储矩阵
int main()
{
    memset(map,0,sizeof(map));
    memset(surface,0,sizeof(surface));
    memset(state,0,sizeof(state));
    memset(stanum,0,sizeof(stanum));
    memset(f,0,sizeof(f));
    int row,col;
    cin>>row>>col;
    for (int i=0;i<row;i++)
            cin>>map[i];
    /*因为最大列数不大于10,故可用dp进行状态压缩
    注:所谓状态压缩即如:PHPP 可以用二进制0100表示,用十进制存储为4。
    本题因其反向对称性,为了方便压缩,故上边实例压缩成0010,用2表示,不影响求解。*/
    for (int i=0;i<row;i++)
        for (int j=0;j<col;j++)
        {
            if(map[i][j] == 'H') surface[i] +=1<<j;
        }
    /*同地图状态压缩,对排列阵型的状态进行压缩,并算出相应阵型的数量。
    //如PHPP有0001 0010 1000 1001 摆法,相应的压缩为 1 2 6 7 相关人数为 1 1 1 2*/
    int snum=0;
    for(int i=0;i< (1<<col);i++)
    {
        int temp=i;
        if( (i<<1)&i || (i<<2)&i ) continue;//判断图是否兼容 
        stanum[snum] = temp%2;
        while (  temp = (temp>>1) ) stanum[snum] += temp%2;//计算能放多少个炮兵 
        state[snum++]=i;
    }
    /*动态规划状态转移方程:
    //f[i][j][k] = max{f[i-1][k][l]+stanum[j]},
    //f[i][j][k]表示第i行状态为s[j],第i-1行状态为s[k]的最大炮兵数
    //枚举l的每种状态,且state[j],state[k],state[l],地形互不冲突*/
    //第一行放置所有炮兵情况
    for (int i=0;i<snum;i++)
    {
        /*该处就表现出状态压缩的强大好处了,下边的语句进行状态和地形的判断
        //仅仅进行一次位与操作,即可知道是否摆放与地形冲突。以后状态判断类似*/
        if(state[i] & surface[0]) continue;
        f[0][i][0]=stanum[i];
    }
    //第二行放置所有炮兵情况
    for (int i=0;i<snum;i++)
    {
        if(state[i] & surface[1]) continue;
        for (int k=0;k<snum;k++)
        {
            if(state[k] & surface[0]) continue;
            if(state[i] & state[k]) continue;
            f[1][i][k] = f[1][i][k] > (f[0][k][0]+stanum[i]) ? f[1][i][k] : (f[0][k][0]+stanum[i]) ;
        }
    }
    //之后的炮兵放置情况。如果还是不明白,请仔细揣摩上边给出的动态规划状态转移方程
    for (int i=2;i<row;i++)
        for (int j=0;j<snum;j++)
        {
            if(surface[i] & state[j]) continue;
            for(int k=0;k<snum;k++)
            {
                if(surface[i-1] & state[k]) continue;
                if(state[j] & state[k]) continue;
                for (int l=0;l<snum;l++)
                {
                    if(state[l] & surface[i-2]) continue;
                    if(state[j] & state[l] || state[k] & state[l]) continue;
                    f[i][j][k] = f[i][j][k] > (f[i-1][k][l]+stanum[j]) ?
                        f[i][j][k] : (f[i-1][k][l]+stanum[j]) ;
                }
            }
        }
    //找出最优解
    if(row ==0 ) cout<<"0"<<endl;
    else
    {
        int max=0;
        for (int i=0;i<snum;i++)
            for (int j=0;j<snum;j++)
            {
                if(max<f[row-1][i][j]) max=f[row-1][i][j];
            }
            cout<<max<<endl;
    }
    system("pause");
    return 0;
}


/*另附网上经典的一个使用滚动数组的算法,以上算法为了方便大家阅读和理解,故进行分解演示。
//明白该题核心算法之后,可以进一步优化,使用滚动数组。其依据为炮兵攻击范围上下2行,所以
//任意行只与其相邻的两行相互影响,所以创建一个f[2][61][61]的滚动数据即可求解。
//用滚动数组依次求出每行的最优解
//roll为当前行,(roll+1)%2为前一行也即下一行
//roll = 0;
//for ( int i = 0; i < row; i++ ){
//  for ( int j = 0; j < snum; j++ ){
//      if ( (state[j]&surface[i]) ) continue;      //状态j是否与i行地图冲突
//      if ( i == 0 ) f[roll][j][0] = stanum[j];
//      else if ( i == 1 ){
//          for ( int k = 0; k < snum; k++ ){
//              if ( (state[k]&surface[i-1]) ) continue;
//              if ( (state[j]&state[k]) ) continue;
//              if ( f[roll][j][k] < f[(roll+1)%2][k][0]+stanum[j] )
//                  f[roll][j][k] = f[(roll+1)%2][k][0]+stanum[j];
//          }
//      }
//      else{
//          for ( int k = 0; k < snum; k++ ){
//              if ( (state[k]& surface[i-1]) ) continue;       //状态k是否与i-1行地图冲突
//              if ( state[j]&state[k] ) continue;              //状态j、k是否彼此冲突
//              for ( int l = 0; l < snum; l++ ){
//                  if ( (state[l]& surface[i-2]) ) continue;       //状态l是否与i-2行地图冲突
//                  if ( (state[j]&state[l]) || (state[k]&state[l]) ) continue;     //状态j、l、k是否彼此冲突
//                  if ( f[roll][j][k] < f[(roll+1)%2][k][l]+stanum[j] )
//                      f[roll][j][k] = f[(roll+1)%2][k][l]+stanum[j];
//              }
//          }
//      }
//  }
//  roll = (roll+1)%2;
//}
//roll = (roll+1)%2;*/



智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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