P4027 [NOI2007]货币兑换(斜率优化dp+cdq分治)

P4027 [NOI2007]货币兑换

显然,如果某一天要买券,一定是把钱全部花掉。否则不是最优(攒着干啥)

我们设$f[j]$为第$j$天时用户手上最多有多少钱

设$w$为花完钱买到的$B$券数

$f[j]=R_{j}*w*A_{j}+w*B_{j}$

$w=f[j]/(R_{j}*A_{j}+B_{j})$

在第$i$天的转移方程:

$f[i]=R_{j}*w*A_{i}+w*B_{i}$

$w*B_{i}=-R_{j}*w*A_{i}+f[i]$

$w=-A_{i}/B_{i}*R_{j}*w+f[i]/B_{i}$

又化成了熟悉的$y=k*x+b$

$y=w$

$k=-A_{i}/B_{i}$

$x=R_{j}*w$

$b=f[i]/B_{i}$

于是就变成了熟悉的斜率优化辣

可是本题中的$k,x$均不单调

不能直接上单调队列维护凸包

于是我们使用cdq分治让$x$单调

再把$k$排序

在分治过程中维护凸包

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#include<cmath>
#define rint register int
using namespace std;
typedef double db;
#define N 100005
inline db Max(db a,db b){return a>b?a:b;}
int n,tp,h[N]; db f[N];
struct data{db k,X,Y,A,B,R;int id;}a[N],b[N];
inline bool cmp(data x,data y){return x.k<y.k;}
//inline db K(int x,int y){return (a[x].Y-a[y].Y)/(a[x].X-a[y].X);}
inline db KK(db x1,db x2,db y1,db y2){return x1*y2-x2*y1;}//斜率比较时避免除法,减少误差
void CDQ(int l,int r){
    if(l==r){//l之前的询问已处理完
        f[l]=Max(f[l],f[l-1]);
        a[l].Y=f[l]/(a[l].A*a[l].R+a[l].B);
        a[l].X=a[l].Y*a[l].R;
        return ;
    }int mid=(l+r)>>1; tp=0;//可以取(0,0)(大雾)
    for(rint i=l,L=l,R=mid+1;i<=r;++i){
        if(a[i].id<=mid) b[L++]=a[i];
        else b[R++]=a[i];
    }//前mid个询问扔到左边,后mid个扔到右边
    for(rint i=l;i<=r;++i) a[i]=b[i];
    CDQ(l,mid);
    for(rint i=l;i<=mid;++i){
        //while(tp&&K(h[tp],i)>K(h[tp-1],h[tp])) --tp;
        while(tp&&KK(a[i].X-a[h[tp]].X,a[i].Y-a[h[tp]].Y,
        a[h[tp]].X-a[h[tp-1]].X,a[h[tp]].Y-a[h[tp-1]].Y)<=0) --tp;
        
        h[++tp]=i;
    }//凸包维护
    for(rint i=mid+1;i<=r;++i){//处理右边的询问
        //while(tp&&K(h[tp-1],h[tp])<=a[i].k) --tp;
        while(tp&&KK(1,a[i].k,a[h[tp]].X-a[h[tp-1]].X,
        a[h[tp]].Y-a[h[tp-1]].Y)<=0) --tp;
        
        f[a[i].id]=Max(f[a[i].id],a[h[tp]].X*a[i].A+a[h[tp]].Y*a[i].B);//
    }CDQ(mid+1,r);
    for(rint i=l,L=l,R=mid+1;i<=r;++i)//按X坐标排序
        b[i]=(L<=mid&&(R>r||a[L].X<a[R].X))?a[L++]:a[R++];
    for(rint i=l;i<=r;++i) a[i]=b[i];
}
int main(){
    //freopen("P4027.in","r",stdin);
    scanf("%d%lf",&n,&f[0]);
    for(rint i=1;i<=n;++i){
        scanf("%lf%lf%lf",&a[i].A,&a[i].B,&a[i].R);
        a[i].k=-a[i].A/a[i].B; a[i].id=i;
    }sort(a+1,a+n+1,cmp);
    CDQ(1,n); printf("%.3lf",f[n]);
    return 0;
}

 

转载于:https://www.cnblogs.com/kafuuchino/p/10747035.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