bzoj1010 [HNOI2008]玩具装箱toy

Description


P教授要去看奥运,但是他舍不下他的玩具,于是他决定把所有的玩具运到北京。他使用自己的压缩器进行压
缩,其可以将任意物品变成一堆,再放到一种特殊的一维容器中。P教授有编号为1…N的N件玩具,第i件玩具经过
压缩后变成一维长度为Ci.为了方便整理,P教授要求在一个一维容器中的玩具编号是连续的。同时如果一个一维容
器中有多个玩具,那么两件玩具之间要加入一个单位长度的填充物,形式地说如果将第i件玩具到第j个玩具放到一
个容器中,那么容器的长度将为 x=j-i+Sigma(Ck) i<=K<=j 制作容器的费用与容器的长度有关,根据教授研究,
如果容器长度为x,其制作费用为(X-L)^2.其中L是一个常量。P教授不关心容器的数目,他可以制作出任意长度的容
器,甚至超过L。但他希望费用最小.

1<=N<=50000,1<=L,Ci<=10^7

Solution


设f[i]表示前i个物品的最优解,方程就能写成
f[i]=min{f[j]+(ij1+sum[i]sum[j]L)2} f [ i ] = m i n { f [ j ] + ( i − j − 1 + s u m [ i ] − s u m [ j ] − L ) 2 } ,其中sum[i]表示前缀和
方便起见令 g[i]=sum[i]+ic=L+1 g [ i ] = s u m [ i ] + i , c = L + 1
那么 f[i]=min{f[j]+(g[i]g[j]c)2} f [ i ] = m i n { f [ j ] + ( g [ i ] − g [ j ] − c ) 2 }
我们任取三个点i、j、k,且k< j< i,对于i而言从j转移更优的情况当且仅当满足
f[j]+(g[i]g[j]c)2f[k]+(g[i]g[k]c)2 f [ j ] + ( g [ i ] − g [ j ] − c ) 2 ≤ f [ k ] + ( g [ i ] − g [ k ] − c ) 2
随意化简一下得到 f[j]+(g[j]+c)2f[k](g[k]+c)22(g[j]g[k])g[i] f [ j ] + ( g [ j ] + c ) 2 − f [ k ] − ( g [ k ] + c ) 2 2 ( g [ j ] − g [ k ] ) ≤ g [ i ]
注意这里分母的正负号,i、j、k的大小顺序,以此判断一下斜率是递增还是递减的,然后就能根据套路上单调队列惹

感觉今天才对这类题有了比较清晰的认识,看来还是题做得不够

Code


#include <stdio.h>
#include <string.h>
#define rep(i,st,ed) for (int i=st;i<=ed;++i)
#define sqr(x) ((x)*(x))

typedef long long LL;
typedef double db;
const int N=50005;

int a[N],c;
int queue[N];
LL f[N],g[N];

db slope(int k,int j) {
    db ret=(f[j]-f[k]+sqr(g[j]+c)-sqr(g[k]+c));
    ret=ret/(2.0*(g[j]-g[k]));
    return ret;
}

void solve(int n) {
    int head=1,tail=0;
    queue[++tail]=0;
    rep(i,1,n) {
        while (head<tail&&slope(queue[head],queue[head+1])<=g[i]) head++;
        f[i]=f[queue[head]]+sqr(g[i]-g[queue[head]]-c);
        while (head<tail&&slope(queue[tail-1],queue[tail])>slope(queue[tail],i)) tail--;
        queue[++tail]=i;
    }
}

int main(void) {
    int n; scanf("%d%d",&n,&c); c++;
    rep(i,1,n) scanf("%d",&a[i]);
    rep(i,1,n) g[i]=g[i-1]+a[i];
    rep(i,1,n) g[i]=g[i]+i;
    solve(n);
    printf("%lld\n", f[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