寒假集训第二天 贪心 Saruman's Army

问题解析:给出数轴上的一些点代表可放置的位置,给出装置的覆盖范围(覆盖的半径),求出最少用多少个装置能把所有给出的位置全部覆盖..........

贪心问题

从一个未覆盖的位置向前遍历,找到满足距离小于 r 的最右边的点,这个点一定作为一个装置的放置位置,然后从这个位置找到右边的最小的不能覆盖到的位置,这个位置作为下一次的起点...循环下去,直到所有的点都被覆盖到

  1. include<stdio.h>  
  2. #include<algorithm>  
  3. using namespace std;  
  4. int n,r,x[1005];  
  5. void slove()  
  6. {  
  7.     int i=0,cnt=0;  
  8.     sort(x,x+n);//先排序   
  9.     while(i<n)  
  10.     {  
  11.         int bg=x[i++];//最左边的没有覆盖的点   
  12.         while(i<n&&x[i]<=bg+r)//被覆盖......   
  13.         {  
  14.             ++i;  
  15.         }  
  16.         int st=x[i-1];//最右边的未被覆盖的区域   
  17.         while(i<n&&x[i]<=st+r)//右边被覆盖区域   
  18.         {  
  19.             ++i;  
  20.         }  
  21.         ++cnt;//计数   
  22.     }  
  23.     printf("%d\n",cnt);  
  24. }  
  25. int main()  
  26. {  
  27.     while(scanf("%d%d",&r,&n),r!=-1&&n!=-1)  
  28.     {  
  29.         for(int i=0;i<n;++i)  
  30.         {  
  31.             scanf("%d",x+i);  
  32.         }  
  33.         slove();  
  34.     }  
  35.     return 0;  
  36. }  


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