莫名其妙的神奇背包

今天要谈论的是一堆奇形怪状、莫名其妙、精灵可爱的背包。

416.采药

最基础的01背包模板题,随随便便DP即可。
for (int i=1;i<=n;i++)
  for (int j=m;j>=a[i];j--)
   f[j]=max(f[j],f[j-a[i]]+b[i]);

417.集合求和

01背包求方案数。
for (int i=1;i<=m;i++)//从1-m枚举使用的数(m代表题目中的n)
  for (int j=n;j>=i;j--)//从n的累加和到i枚举累加和(n代表1-m的累加和)
    f[j]=f[j]+f[j-i];//f[j]的方案数为本身方案数+减去i的方案数

418.完全背包

最基础的完全背包模板题,随随便便DP即可。
for (int i=1;i<=n;i++)
  for (int j=a[i];j<=m;j++)
    f[j]=max(f[j],f[j-a[i]]+b[i]);

419.质数和分解

完全背包求方案数
这里要做一个质数的预处理
for (int i=1;i<=p;i++)//p为1-n质数的个数
   for (int j=a[i];j<=n;j++)//a[i]为一个质数
      f[j]=f[j]+f[j-a[i]];//f[j]的方案数为本身方案数+减去a[i]的方案数

420.逃亡的准备

这这这是一道多重背包题。我们可以使用神奇的二进制法来优化这个算法。

比如有一个数字叫做66。
则可以将其分解为1+2+4+8+16+32+3
通过这些神奇的数字就可以拼出1-n的所有数字。
核心代码
while (k<a1)
  {
	 	    
	for (int j=m;j>=k*b[i];j--)
	f[j]=max(f[j],f[j-k*b[i]]+k*c[i]);
	a1-=k;
	k*=2;
  }
for (int j=m;j>=a1*b[i];j--)
  {
        f[j]=max(f[j],f[j-a1*b[i]]+a1*c[i]);
  }

关于该题,如果数量*体积已经超过背包的容积,则可直接当成完全背包来做。

for (int j=b[i];j<=m;j++)
  f[j]=max(f[j],f[j-b[i]]+c[i]);
就省了一堆莫名其妙的事了。

422.竞赛真理

每个物品有两种“体积”和两种“价值”,做两遍01背包即可。
for (int i=1;i<=n;i++)
  for (int j=m;j>=min(b[i],b1[i]);j--)//min(b[i],b1[i])可以保证每次循环都有事干
   {
	if (j>=b[i])
	 f[j]=max(f[j],f[j-b[i]]+a[i]);//如果大于第一种体积,则可以选择这种
	if (j>=b1[i])
         f[j]=max(f[j],f[j-b1[i]]+a1[i]);//如果大于第二种体积,则可以选择这种
   }

423.金明的预算方案

带有依赖性的背包,分为主件附件,须选择对应主件才可选择其附件。
题目中说明尽量选择价格*重要度值高的,也就是说 价格*重要度是该物品的价值
for (int i=1;i<=n;i++)
	 if (c[i]==0)//是主件才进入循环
	  {
	  	for (int j=1;j<=a[i];j++)
	   	 h[j]=0;//清空辅助数组h
	  	for (int j=a[i];j<=m;j++)
	  	  h[j]=f[j-a[i]]+b[i];//给辅助数组赋值(h[j]表示剩下钱为j时最大价值)
	  	for (int j=1;j<=n;j++)
	  	 if (c[j]==i)//如果找到了以i为主件的一件物品
	  	  {
	  	  	for (int k=m;k>=a[i]+a[j];k--)
	  	  	  h[k]=max(h[k-a[j]]+b[j],h[k]);//做一遍01背包
	  	  }
	  	for(int j=a[i];j<=m;j++)
	  	  if (h[j]>f[j])f[j]=h[j];//取大值
	  }



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,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