[arc067F]Yakiniku Restaurants[矩阵差分]

Description

传送门

Solution

假如我们确定了烧烤店区间[l,r],则票j必定会选择在B[i][j](l<=i<=r)最大的烧烤店使用。

反过来想,我们想要票j在第i个烧烤店使用,寻找可行区间[L,R]。

为了避免重复计算,我们钦定$k\epsilon [L,i]$时B[k][j]<B[i][j],$k\epsilon [i,R]$时B[k][j]<=B[i][j]。

接下来我们构造一个矩阵,矩阵的横坐标代表可行区间的左端点L,纵坐标表示可行区间的右端点R,对矩阵进行差分。使得当查询到子矩阵(L[i],i)-(i,R[i])时答案会加上B[i][j]。

Code

 
#include<iostream>
#include<cstdio>
#include<cstring>
#include<cmath>
using namespace std;
typedef long long ll;
int n,m,A[5010],B[5010][210];
ll matrix[5010][5010];int l[5010],r[5010];
int st[5010],tp;
ll sum[5010];
int main()
{
    scanf("%d%d",&n,&m);
    for (int i=2;i<=n;i++) {scanf("%d",&A[i]);sum[i]=sum[i-1]+A[i];}
    for (int i=1;i<=n;i++) 
        for (int j=1;j<=m;j++)
            scanf("%d",&B[i][j]);
    for (int j=1;j<=m;j++)
    {
        tp=0;
        for (int i=1;i<=n;i++)
        {
            while (tp&&B[i][j]>B[st[tp]][j]) r[st[tp--]]=i-1;
            st[++tp]=i;
        }
        while (tp) r[st[tp--]]=n;
        tp=0;
        for (int i=n;i;i--)
        {
            while(tp&&B[i][j]>=B[st[tp]][j]) l[st[tp--]]=i+1;
            st[++tp]=i;
        }
        while (tp) l[st[tp--]]=1;
        for (int i=1;i<=n;i++)
        {
            matrix[i+1][r[i]+1]+=B[i][j];
            matrix[l[i]][i]+=B[i][j];
            matrix[l[i]][r[i]+1]-=B[i][j];
            matrix[i+1][i]-=B[i][j];
        }
    }
    ll ans=0;
    for (int i=1;i<=n;i++)
        for (int j=1;j<=n;j++)
        {
            matrix[i][j]+=matrix[i-1][j]+matrix[i][j-1]-matrix[i-1][j-1];
            if (i<=j) ans=max(ans,matrix[i][j]-(sum[j]-sum[i]));
        }
    cout<<ans;
}

 

转载于:https://www.cnblogs.com/coco-night/p/9630115.html

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