bzoj4404 Binary vs Decimal

http://www.lydsy.com/JudgeOnline/problem.php?id=4404

题意:找出第n小的正整数,满足其十进制表达是其二进制表达的后缀。n<=10,000。 

一个半月没更新博客了,感觉最近好浪啊。

对小数据打规律可以发现,如果一个正整数是满足条件的,那么其十进制表达的任何一个(以1开头的)后缀所对应的十进制数也是满足条件的。

例如,1100(十进制)是满足条件的,其后缀100以1开头,则100(十进制)也是满足条件的。

注意到上述结论的逆否命题,如果一个正整数不满足条件,那么不论再其十进制表达的前面加什么,其对应的十进制数也不满足条件。

我们可以做一次宽度优先搜索,初始队列里只有0和1两个元素。我们将队列中的每个数在开头加上0或1,然后计算其是否满足条件,如果不满足条件,则根据上述结论,这个数不必入队了,否则令这个数入队。当队中以1开头的元素数量达到n时,第n个即为问题的解。

应当注意到,要维持队内元素的有序性,应该对每一种位数的所有元素,先在这些元素前面都加上0,再在这些元素的前面都加上1。

我写的很暴力,很多地方都存在可优化的地方,例如队中的元素只需存储二进制形式,因为十进制数是它的后缀,完全没必要存,而我还是存进去了。

代码:

#include<stdio.h>
#include<stdlib.h>
#include<math.h>
#define INF 2147483648ll
typedef long long LL;
int pri[100005],hash[100005];
LL ans=INF,pro=1;
int count=0,N;
LL min(LL a,LL b)
{
    if(a<b) return a;
    return b;
}
int is_prime(int x)
{
    int i,sq=(int)sqrt(x);
    for(i=1;pri[i]<=sq;i++)
        if(x%pri[i]==0) return 0;
    return 1;
}
void dfs(int t,int k)
{
    int i,j,tpro=pro,tt=t;
    if(pro>=ans) return;
    if(t==1)
    {
        ans=pro;
        return;
    }
    if( t>N && is_prime(t+1)==1 ) ans=min(ans,pro*(LL)(t+1));
    if( pri[k]-1>N || t<pri[k]-1 ) return;
    for(i=k;pri[i]<=N+1;i++)
    {
        if(pri[i]-1>t) return;
        if(t%(pri[i]-1)==0)
        {
            t/=(pri[i]-1);
            pro*=(LL)pri[i];
            dfs(t,i+1);
            while(t%pri[i]==0)
            {
                t/=pri[i];
                pro*=(LL)pri[i];
                dfs(t,i+1);
            }
            pro=tpro;
            t=tt;
        }
    }
}
int main()
{
    int n,i,j;
    scanf("%d",&n);
    N=(int)sqrt(n);
    for(i=2;i<=100000;i++)
        if(hash[i]==0)
        {
            pri[++count]=i;
            for(j=i;j<=100000;j+=i)
                hash[j]=1;
        }
    dfs(n,1);
    if(ans==INF) printf("-1");
    else printf("%lld",ans);
    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