HDU5700 2016百度之星初赛Astar Round1A 区间交

简单的数据结构题

由于所有的数都是非负整数,所以对于一个确定的左端点,区间交最大时右端点尽可能向右取;

先将所有的区间按照 左端点 从小到大 排序;

枚举区间交的左端点,那么该区间交最大时的右端点 是 所有区间中 左端点在枚举端点的左侧的那些区间中 从右往左数第k个右端点;

因为是从左往右枚举,所以符合条件的区间会越来越多,已经符合条件的区间会一直符合条件;

维护一个 大小为k 的大根堆,记录已经符合条件区间中最靠近右边的k个区间右端点

每次加入一个新的右端点,和堆顶的元素比较,如果新右端点更优则弹出堆顶加入新元素,并且重新平衡堆。

用sum[堆顶元素]减去sum[枚举]更新答案。

O( N * log N)

#include <iostream>
#include <cstdio>
#include <queue>
#include <vector> 
#include <algorithm>
#define N 100050

using namespace std;

struct A {int l,r;}a[N];
bool cmp(A p1,A p2) {if (p1.l == p2.l) return p1.r < p2.r; else return p1.l < p2.l;}
priority_queue<int,vector<int>,greater<int> > q; 
int n,m,k,v[N];
long long sum[N],ans = 0LL;
int main() {
	scanf("%d%d%d",&n,&k,&m);
	for (int i=1;i<=n;i++) scanf("%d",&v[i]);
	for (int i=1;i<=n;i++) sum[i] = sum[i-1] + 1LL*v[i];  //前缀和
	
	for (int i=1;i<=m;i++) scanf("%d%d",&a[i].l,&a[i].r);   
	sort(a+1,a+m+1,cmp);//左端点为第一关键词,右端点为第二关键词 排序 
	
	for (int i=1;i<=k;i++) q.push(a[i].r);//将前k个区间右端点加入优先队列 
	int t = k+1; 
	for (int i=a[k].l;i<=n;i++) {//小于a[k].l的点是无法作为左端点的 
		while (a[t].l == i) {
			int u = q.top();
			if (u < a[t].r) q.pop() , q.push(a[t].r);
			t++;
		}
		int u = q.top();
		ans = max(ans,sum[u] - sum[i-1]);
	}
	printf("%I64d\n",ans);
	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)、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