poj1463 Strategic game 树形dp

题目:

http://poj.org/problem?id=1463

题意:

给定一个有 n 个点的树结构,从中选取一些点,使得任意一条边都有端点在选取的点集中,即求树形的最小点覆盖

思路:

定义dp[i][0]为不选取i时覆盖以 i 为根的子树上的所有边时选取的最小点集,dp[i][1]为选取i时覆盖以 i 为根的子树上的所有边时选取的最小点集,设j i 的子节点,那么显然有

dp[i][0]+=dp[j][1]

dp[i][1]+=min(dp[j][0],dp[j][1])

这里初始化 dp[i][1]=1

#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>

using namespace std;

const int N = 2000 + 10, INF = 0x3f3f3f3f;

struct edge
{
    int to, next;
}g[N*2];

int cnt, head[N];
int dp[N][2];

void init()
{
    cnt = 0;
    memset(head, -1, sizeof head);
    memset(dp, 0, sizeof dp);
}
void add_edge(int v, int u)
{
    g[cnt].to = u, g[cnt].next = head[v], head[v] = cnt++;
}
void dfs(int v, int fa)
{
    for(int i = head[v]; ~i; i = g[i].next)
    {
        int u = g[i].to;
        if(u == fa) continue;
        dfs(u, v);
        dp[v][0] += dp[u][1];
        dp[v][1] += min(dp[u][0], dp[u][1]);
    }
}
int main()
{
    int n;
    while(~ scanf("%d", &n))
    {
        init();
        int x, y, m;
        for(int i = 1; i <= n; i++) dp[i][1] = 1;
        for(int i = 1; i <= n; i++)
        {
            scanf("%d:(%d)", &x, &m);
            for(int j = 1; j <= m; j++)
            {
                scanf("%d", &y);
                add_edge(x+1, y+1); add_edge(y+1, x+1);
            }
        }
        dfs(1, 0);
        printf("%d\n", min(dp[1][0], dp[1][1]));
    }
    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)、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