hdu 3339 In Action

题目链接

http://acm.hdu.edu.cn/showproblem.php?pid=3339

解题思路

1)floyd求最短路径--基地0到其它n个电厂的最短路径

2)01背包-----把路径的总和当成容量总和,把电量价值,求最少容量的最大价值

经典的 dp[j]=min(dp[j],dp[j-p[i]]+dis[i])

#include<stdio.h>
#include<string.h>
#define N 20000000
int map[105][105];
int p[105];
int dis[105];
int dp[10005];
int min(int a,int b)
{
	if(a<b)
		return a;
	else
		return b;
}
int max(int a,int b)
{
	if(a>b)
	return a;
	else
	return b;

}

int main()
{
    int t,n,m,i,j,k,a,b,w,sum,mi;
    scanf("%d",&t);
    while(t--)
	{

         scanf("%d%d",&n,&m);
         memset(map,0,sizeof(map));
         for(i=0;i<=n;i++)
          for(j=0;j<=n;j++)
           map[i][j]=N;
         for(i=0;i<m;i++)
		 {
            scanf("%d%d%d",&a,&b,&w);
           if(map[a][b]>w)
		   {
            map[a][b]=w;
            map[b][a]=w;
		   }
		 }
         sum = 0;
        for(i=1;i<=n;i++)
		{
           scanf("%d",&p[i]);
           sum+=p[i];
		}
        sum=sum/2+1;
        for(i=0;i<=n;i++)
           map[i][i]=0;
        for(k=0;k<=n;k++)
          for(i=0;i<=n;i++)
             for(j=0;j<=n;j++)
           map[i][j]=min(map[i][j],map[i][k]+map[k][j]);

       for(i=1;i<=n;i++)
           dis[i]=map[0][i];
          for(i=0;i<=10005;i++)
		  {
            dp[i]=N;
		  }
          dp[0]=0;
         for(i=1;i<=n;i++)
		 {
          if(dis[i]!=N)
		  {
            for(j=10000;j>=p[i];j--)
			{
            dp[j]=min(dp[j],dp[j-p[i]]+dis[i]);
			}
		  }
		 }
          mi=N;
         for(i=sum;i<=10000;i++)
		 {
               if(dp[i]!=N)
			   {
                 if(dp[i]<mi)
                   mi=dp[i];
			   }
		}
         if(mi!=N)
          printf("%d\n",mi);
          else
        printf("impossible\n");

	}
 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