2017 计蒜之道初赛第六场 题解

比赛链接:2017 计蒜之道初赛第六场 题解

A:水题

#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
int main()
{
    int d;
    scanf("%d",&d);
    printf("+-----+\n");
    printf("|");
    if(d>=20) printf("-");
    else printf(" ");
    if(d>=90) printf("  4G|\n");
    else if(d>=60) puts("  3G|");
    else puts("   E|");
    d-=20;
    for(int i=2;i<6;i++)
    {
        printf("|");
        if(d>=20)
        {
            for(int j=0;j<i;j++) printf("-");
            for(int j=i;j<5;j++) printf(" ");
            d-=20;
        }
        else for(int j=0;j<5;j++) printf(" ");
        puts("|");
    }
    printf("+-----+\n");
    return 0;
}

B,C:对于每个pair,RMQ一下就行了。

#include<bits/stdc++.h>
using namespace std;
const int N=2e5+100;
const int M=2007;
int dp[N][30];
int mm[N],h[N],n,k,x[M],y[M];
int gg=0;
void initRMQ(int n)
{
    mm[0]=-1;
    for(int i=1;i<=n;i++)
    {
        mm[i]=((i&(i-1))==0)?mm[i-1]+1:mm[i-1];
        dp[i][0]=h[i];
    }
    for(int j=1;j<=mm[n];j++)
        for(int i=1;i+(1<<j)-1<=n;i++)
            dp[i][j]=min(dp[i][j-1],dp[i+(1<<(j-1))][j-1]);
}
int rmq(int x,int y)
{
    int k=mm[y-x+1];
    return min(dp[x][k],dp[y-(1<<k)+1][k]);
}
int main()
{
    freopen("in.txt","r",stdin);
    scanf("%d%d",&n,&k);
    for(int i=1;i<=n;++i)
        scanf("%d",&h[i]);
    initRMQ(n);
    int m,ans=0;
    scanf("%d",&m);
    for(int i=0;i<m;++i)
        scanf("%d%d",&x[i],&y[i]);
    for(int i=0;i<m;++i)
        for(int j=i+1;j<m;++j)
        {
            int mi=rmq(min(x[i],x[j]),max(x[i],x[j]));
            int y1=y[i],y2=y[j],res=0;
            if(y1>mi) res+=y1-mi,y1=mi;
            if(y2>mi) res+=y2-mi,y2=mi;
            res+=abs(y1-y2)+abs(x[i]-x[j]);
            if(res<=k) ++ans;
        }
    printf("%d\n",ans);

    return 0;
}

D: 有点类似单调栈的经典题
因此从前往后维护一个单调栈。对于每个点,枚举单调栈划分的区间,在每个区间内枚举高度。这样就能找到合法的区间能使其中的点与它组成的pair合法。
复杂度是 O(nh2)

#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
const int N=2e5+100;
int n,pre[21][N],k,h[N];
vector<int> rm[N];
int main()
{
    int t,m,x,y;
    scanf("%d%d",&n,&k);
    for(int i=1;i<=n;++i) scanf("%d",&h[i]);
    scanf("%d",&m);
    for(int i=0;i<m;++i)
    {
        scanf("%d%d",&x,&y);
        ++pre[y][x];
        rm[x].push_back(y);
    }
    for(int i=1;i<=20;i++)
        for(int j=1;j<=n;j++)
            pre[i][j]+=pre[i][j-1];
    for(int i=1;i<=n;i++)
        sort(rm[i].begin(),rm[i].end());
    vector<int> s;
    ll ans=0;
    for(int i=1;i<=n;++i)
    {
        for(int j=0;j<rm[i].size();++j)
            for(int p=j+1;p<rm[i].size();++p)
                if(rm[i][p]-rm[i][j]<=k) ++ans;
                else break;
        if(s.size())
        for(auto &u:rm[i])
        {
            int l=1;
            for(auto r:s)
            {
                for(int v=1;v<=20;++v)
                {
                    int L=0;
                    if(u<=h[r]) L=i-k+abs(u-v);
                    else L=i-k+abs(h[r]-u)+abs(h[r]-v);
                    if(L>r) continue;
                    if(L<l) L=l;
                    ans+=pre[v][r]-pre[v][L-1];
                }
                l=r+1;
            }
        }
        while(!s.empty()&&h[s.back()]>=h[i]) s.pop_back();
        s.push_back(i);
    }
    cout << ans << endl;
    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
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