P1993 七色花(二) - 解题报告

在某个时间点,天空中会飘落各种颜色的花朵。你可以不消耗时间就接住所有的花。
下面告诉你每个时间点落下的花的颜色,请问你最少需要多少时间就能接到k种颜色的花朵。
例如:下面有 5个时间点,每个时间点跟着落花的数量和每朵花的颜色
1 3 1 1 1
3 1 2
5 2 3 1
9 3 1 2 4
10 2 1 3
如果你要接住至少3种颜色不一样的花,你只需要从时间9开始接花,不需要花费时间就能得到3种颜色的花。
如果你要接住至少4种颜色不一样的花,你只需要从时间9开始接花,一直到时间10。需要花费时间10-9=1.
下面你请编程解决这个问题。
输入:
第一行两个整数n和k,分别表示有n个时间点,共要收集至少k朵不同颜色的花
后面n行。
每行第1个整数表示时间点time,第2个整数表示落花的数量num,后面若干个整数表示落花的颜色color
数据保证时间点是从小到大有序的,且一定能收集到至少k种颜色的花
输出:
一个整数,表示最少收集到至少k朵不同颜色花的最短时间。

样例输入(一):

3 2
1 1 1
3 2 2 2
8 3 1 6 7

样例输入(二):

5 3
1 1 1
5 2 3 3
6 2 2 2
7 2 4 4
8 3 2 2 2

样例输出(一)

0

样例说明:
落花有3个时间点,至少要收集2种颜色的花
只要等在时间点8收集花朵,就能收集到不同颜色的花3种
所需时间为8-8=0

样例输出(二)

2

样例说明:
落花有5个时间点,至少要收集3种颜色的花
只要从时间点5开始,一直收集到时间点7,就能收集到3种颜色的花。
所需时间为7-5=2

two pointers 线扫
这里采用的是枚举尾(j),后推头(i)的方法,需要注意的一点是i向前移动后可能会产生更优的答案

const INF=100000008;
var
        n,i,j,k,ans,now:longint;
        time,num:array[0..100005] of longint;
        col:array[0..100005,0..50] of longint;
        flag:array[0..1005] of longint;
procedure add(j:longint);
var k:longint;
begin
        for k:=1 to num[j] do
        begin
                inc(flag[ col[j,k] ]);
                if flag[ col[j,k] ]=1 then inc(now);
        end;
end;
function check:boolean;
begin
        exit(now>=k);
end;
procedure note;
begin
        if time[j]-time[i]<ans then ans:=time[j]-time[i];
end;
procedure delete(i:longint);
var k:longint;
begin
        for k:=1 to num[i] do
        begin
                dec(flag[ col[i,k] ]);
                if flag[ col[i,k] ]=0 then dec(now);
        end;
end;
begin
        readln(n,k);
        for i:=1 to n do
        begin
                read(time[i],num[i]);
                for j:=1 to num[i] do
                        read(col[i,j]);
        end;
        i:=1; ans:=INF;
        //time[n+1]:=time[n]; num[n+1]:=0;
        for j:=1 to n do
        begin
                add(j);
                if check then note;
                while check and (i<=n) do
                begin
                        note; //这是整个程序中需要注意的点!!! 可能i向前移动后会产生更优的解
                        delete(i);
                        inc(i);
                end;
        end;
        writeln(ans);
end.
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