2019.7.19模拟赛

T1 树

见到树计数、度数,自然想到prufer序列。

想个DP:设\(dp_{i,j,k}\)表示前\(i\)个点,放了\(j\)个点在树里面,一共在prufer序列里面占了\(k\)个位置,的方案数。随便转移就行了。

#include<bits/stdc++.h>
using namespace std;
//clock_t __t=clock();
#define rep(i,x,y) for (int i=(x);i<=(y);++i)
#define drep(i,y,x) for (int i=(y);i>=(x);--i)
#define temp template<typename T>
temp bool chkmin(T &x,T y){return x>y?x=y,1:0;}
temp bool chkmax(T &x,T y){return x<y?x=y,1:0;}
#define ll long long
#define db double
void file()
{
    #ifdef NTFAKIOI
    freopen("a.in","r",stdin);
    #endif
}
//void chktime()
//{
//  #ifdef NTFAKIOI
//  cout<<1.0*(clock()-__t)/1000;
//  #endif
//}
temp void read(T &x)
{
    x=0;char ch=getchar(),t=0;
    while (ch>'9'||ch<'0') t|=(ch=='-'),ch=getchar();
    while (ch<='9'&&ch>='0') x=x*10+ch-48,ch=getchar();
    x=(t?-x:x);
}
#define go(x) for (int i=head[x];i;i=edge[i].nxt)
#define pii pair<int,int>
#define fir first
#define sec second
#define MP make_pair
#define sz 111
#define mod 1004535809ll
ll ksm(ll x,int y){ll ret=1;for (;y;y>>=1,x=x*x%mod) if (y&1) ret=ret*x%mod;return ret;}
ll inv(ll x){return ksm(x,mod-2);}

int n;
int a[sz];

ll dp[sz][sz][sz]; 

ll fac[sz],_fac[sz];
void init(){_fac[0]=fac[0]=1;rep(i,1,sz-1) _fac[i]=inv(fac[i]=fac[i-1]*i%mod);}
ll C(int n,int m){return n>=m&&m>=0?fac[n]*_fac[m]%mod*_fac[n-m]%mod:0ll;}

ll ans[sz];

int main()
{
    file();
    init();
    read(n);
    rep(i,1,n) read(a[i]),--a[i];
    dp[0][0][0]=1;
    rep(i,1,n) rep(j,0,i) rep(k,0,n)
    {
        if (!j) { dp[i][j][0]=1; break; }
        dp[i][j][k]=dp[i-1][j][k];
        rep(l,0,k) if (l<=a[i]) (dp[i][j][k]+=dp[i-1][j-1][k-l]*C(k,l)%mod)%=mod;
    }
    ans[1]=n;
    rep(j,2,n) ans[j]=dp[n][j][j-2];
    rep(i,1,n) printf("%lld ",ans[i]);
    return 0;
}

T2 红与蓝

考虑一棵只有两层的树,如果根节点连着的红蓝节点一样多,那么它的颜色就由先手决定,否则就是多的那个。

扩展到一般情况呢?其实也是一样的,只需从叶子一路往上推就可以了。记0为红,1为蓝,-1表示谁先手谁就可以控制它的颜色,只需从下到上DP一下即可。

最后如果根节点为1那么小红输,否则小红必胜。

输出方案呢?有一些各种特判的方法,但我选了另一种暴力无脑方法:设\(dp_{x,-1/0/1}\)表示如果\(x\)的颜色为-1/0/1,其他点的颜色不变,那么根节点的颜色会是什么。从上到下再DP一遍就可以了。注意这里需要保证把一个叶节点变成红色后根节点的颜色必须是0。

#include<bits/stdc++.h>
using namespace std;
//clock_t __t=clock();
#define rep(i,x,y) for (int i=(x);i<=(y);++i)
#define drep(i,y,x) for (int i=(y);i>=(x);--i)
#define temp template<typename T>
temp bool chkmin(T &x,T y){return x>y?x=y,1:0;}
temp bool chkmax(T &x,T y){return x<y?x=y,1:0;}
#define ll long long
#define db double
void file()
{
    #ifdef NTFAKIOI
    freopen("a.in","r",stdin);
    #endif
}
//void chktime()
//{
//  #ifdef NTFAKIOI
//  cout<<1.0*(clock()-__t)/1000;
//  #endif
//}
temp void read(T &x)
{
    x=0;char ch=getchar(),t=0;
    while (ch>'9'||ch<'0') t|=(ch=='-'),ch=getchar();
    while (ch<='9'&&ch>='0') x=x*10+ch-48,ch=getchar();
    x=(t?-x:x);
}
#define go(x) for (int i=head[x];i;i=edge[i].nxt)
#define pii pair<int,int>
#define fir first
#define sec second
#define MP make_pair
#define sz 101010

int n;
struct hh{int t,nxt;}edge[sz<<1];
int head[sz],ecnt;
int deg[sz];
void make_edge(int f,int t){edge[++ecnt]=(hh){t,head[f]};head[f]=ecnt;++deg[f];}

#define v edge[i].t
int dep[sz];
void dfs(int x,int fa)
{
    dep[x]=dep[fa]+1;
    go(x) dfs(v,x);
}

int id[sz];
inline bool cmp(const int &x,const int &y){return dep[x]>dep[y];}

int col[sz],cnt[sz][2];
vector<int>ans;
int dp[sz][3]; // 0:0, 1:1, 2:-1
#undef v
#undef go
#define v edge[_].t
#define go(x) for (int _=head[x];_;_=edge[_].nxt)
void dfs2(int x)
{
    if (x==1) rep(i,0,2) dp[x][i]=i;
    go(x) 
    {
        if (col[v]!=-1) cnt[x][col[v]]--;
        if (cnt[x][0]==cnt[x][1]) rep(i,0,2) dp[v][i]=dp[x][i];
        else if (abs(cnt[x][0]-cnt[x][1])==1)
        {
            if (cnt[x][0]>cnt[x][1]) dp[v][0]=dp[v][2]=dp[x][0],dp[v][1]=dp[x][2];
            else dp[v][1]=dp[v][2]=dp[x][1],dp[v][0]=dp[x][2];
        }
        else if (cnt[x][0]>cnt[x][1]) rep(i,0,2) dp[v][i]=dp[x][0]; 
        else rep(i,0,2) dp[v][i]=dp[x][1];
        dfs2(v);
        if (col[v]!=-1) cnt[x][col[v]]++;
    }
}

void work()
{
    read(n);
    ecnt=0;rep(i,1,n) head[i]=col[i]=deg[i]=cnt[i][0]=cnt[i][1]=0;ans.clear();
    int x;read(x);
    rep(i,2,n) read(x),make_edge(x,i);
    rep(i,1,n) read(col[i]);
    dfs(1,0);
    rep(i,1,n) id[i]=i;
    sort(id+1,id+n+1,cmp);
    rep(i,1,n)
    {
        int x=id[i];
        if (!deg[x]) continue;
        go(x) if (dep[v]>dep[x]&&col[v]!=-1) ++cnt[x][col[v]];
        if (cnt[x][0]>cnt[x][1]) col[x]=0;
        else if (cnt[x][0]<cnt[x][1]) col[x]=1;
        else col[x]=-1;
    }
    if (col[1]==1) return (void)(puts("-1"));
    dfs2(1);
    rep(i,1,n) if (!deg[i]&&col[i]==-1&&dp[i][0]==0) ans.push_back(i);
    sort(ans.begin(),ans.end());
    printf("%d ",(int)ans.size());
    rep(i,0,(int)ans.size()-1) printf("%d ",ans[i]);
    puts("");
    
}
#undef v

int main()
{
    file();
    int T;read(T);
    while (T--) work();
    return 0;
}

T3 猜数列

40分很好搞:枚举一个全排列来挨个实现,从右往左加数,每次多加一个序列的时候判一下是否包含之前所有出现过的数,然后尽可能地利用之前加的东西,把自己的后缀当成子序列塞回去。

100分扩展成了两边,所以需要DP。DP的过程大概是这样:设\(dp_{l,x,r,y,mask}\)表示从左往右填数,当时已经填完了\(mask\)里面的串,正在填一个向左走的串\(l\),还有\(x\)位没填,正在填一个向右走的串,填了\(y\)位,后面最少还要填几个。

转移可以枚举接下来填什么数、或者是一个向左走的串填完了,顺手满足了另一个向左走的串的一部分,或者是一个向右走的串可以被另外一个向右走的串满足,于是切换现在要满足的串。可以用记忆化搜索实现。

代码咕咕咕。

转载于:https://www.cnblogs.com/p-b-p-b/p/11218115.html

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。
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