hdu 3401 Trade //单调队列+DP

这道题目还是很不错的

首先,我们假定对于某一天的选择是买或卖

那么状态转移方程是

对于买

f[i][j] = max (f[i][j], f[r][k] -  (j - k) * ap[i])  1 <= r <= i - w -1 , max(0, j - as[i]) <= k < j 

对于卖

f[i][j] = max (f[i][j], f[r][k] +  (j - k) * ap[i])  1 <= r <= i - w -1 , min(maxp, j + bs[i]) >k > j

所以对于每个发f[i][j],要枚举1到i-w-1这个范围的值和K值

所以总的时间复杂度是0(maxp*maxp*T*T)

显然时间复杂度不行

开始降维


首先对于状态转移方程,加入一个

f[i][j] = max(f[i][j],f[i-1][j])

这样就可以保证对于f[i][j],f[i-w-1][]就已经包含了前面所有的最好情况,不用再枚举 1 <= r <= i - w -1这一范围

时间复杂度便成为0(maxp*maxp*T)


还不行

太慢了,还得降维


观察对于f[i][j]

对于他的买这一情况

f[i][j] = max(f[i][j], f[i-w-w][k])   max(0, j - as[i]) <= k < j 

使用单调队列维护后面这一情况,那就对于1到MAXP这一范围进行顺序维护,对于卖的情况是反序维护

具体见代码,现在的时间复杂度就已经降为了0(T*maxp)


#include <cstdio>
#include <cstring>
const int MAXN = 2000 + 123;
int ap[MAXN], bp[MAXN], as[MAXN], bs[MAXN];
int f[MAXN][MAXN];
struct node
{
    int num, val;
}q[MAXN];
inline int min(int x,int y)
{
    return x<y?x:y;
}
inline int max(int x,int y)
{
    return x>y?x:y;
}
int main()
{
    int T;
    scanf("%d", &T);
    while(T--)
    {
        int t, maxp, w;
        scanf("%d%d%d", &t, &maxp, &w);
        for(int i = 1; i <= t; i++) scanf("%d%d%d%d",&ap[i], &bp[i], &as[i], &bs[i]);

        memset(f, 200, sizeof(f));
        for(int i = 1; i <= w + 1; i++)
            for(int j = 0; j <= min(as[i], maxp); j++)
            {
                f[i][j] = -ap[i] * j;
            }

        for(int i = 2; i <= t; i++)
        {
            for(int j = 0; j <= maxp; j++)  f[i][j] = max(f[i][j], f[i-1][j]);

            if(i < w + 2) continue;

            int head = 0, tail = -1;
            q[++tail].num = 0;
            q[tail].val = f[i - w - 1][0];

            for(int j = 1; j <= maxp; j++)
            {
                while(tail >= head && j - q[head].num > as[i]) head++;
                //可能全不满足也是有可能的,不可能就保持初始化的0
                if(head <= tail) f[i][j] = max(f[i][j], q[head].val - (j - q[head].num) * ap[i]);

                while(tail >= head && q[tail].val + (q[tail].num - j) * ap[i] < f[i - w - 1][j]) tail--;
                q[++tail].num = j;
                q[tail].val = f[i- w - 1][j];
            }

            head = 0, tail = -1;
            q[++tail].num = maxp;
            q[tail].val = f[i - w - 1][maxp];

            for(int j = maxp - 1; j >= 0; j--)
            {
                while(tail >= head && q[head].num - j > bs[i])  head++;
                if(head <= tail)  f[i][j] = max(f[i][j], q[head].val + (q[head].num - j) * bp[i]);

                while(tail >= head && q[tail].val + (q[tail].num - j) * bp[i] < f[i - w - 1][j]) tail--;
                q[++tail].num = j;
                q[tail].val = f[i - w - 1][j];
            }
        }
        int rmax = 0;

        for(int i = 0; i <= maxp; i++)
        if(f[t][i] > rmax) rmax = f[t][i];
        printf("%d\n", rmax);
    }
    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 1
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