课程练习四-problemQ

Problem Description
XX星有许多城市,城市之间通过一种奇怪的高速公路SARS(Super Air Roam Structure---超级空中漫游结构)进行交流,每条SARS都对行驶在上面的Flycar限制了固定的Speed,同时XX星人对 Flycar的“舒适度”有特殊要求,即乘坐过程中最高速度与最低速度的差越小乘坐越舒服 ,(理解为SARS的限速要求,flycar必须瞬间提速/降速,痛苦呀 ),<br>但XX星人对时间却没那么多要求。要你找出一条城市间的最舒适的路径。(SARS是双向的)。<br>
 

Input
输入包括多个测试实例,每个实例包括:<br>第一行有2个正整数n (1<n<=200)和m (m<=1000),表示有N个城市和M条SARS。<br>接下来的行是三个正整数StartCity,EndCity,speed,表示从表面上看StartCity到EndCity,限速为speedSARS。speed<=1000000<br>然后是一个正整数Q(Q<11),表示寻路的个数。<br>接下来Q行每行有2个正整数Start,End, 表示寻路的起终点。
 

Output
每个寻路要求打印一行,仅输出一个非负整数表示最佳路线的舒适度最高速与最低速的差。如果起点和终点不能到达,那么输出-1。
 

Sample Input
  
  
4 4 1 2 2 2 3 4 1 4 1 3 4 2 2 1 3 1 2
 

Sample Output
  
  
1 0
 

题意:

找出一条城市间的最舒适的路径

每个寻路要求打印一行,仅输出一个非负整数表示最佳路线的舒适度最高速与最低速的差。如果起点和终点不能到达,那么输出-1


思路:

 把路径按照从小到大排序, 然后从小到大依次枚举“最小速度”, 再寻找目标起点到目标终点的路径中的“最大速度”,为了使得它们的差更小,就要使得“最大速度”尽量的小。

代码:

#include<cstdio>  
#include<cstring>  
#include<algorithm>  
#define MAXN 210  
#define INF 2147483646  
using namespace std;  
  
int f[MAXN], rank[MAXN], n, m, pos;  
  
struct Edge{  
    int u,v,val;  
    friend bool operator<(const Edge&a,const Edge&b){  
        return a.val < b.val;  
    }  
}arr[MAXN*MAXN];  
  
void init(){  
    for(int i=0; i<MAXN; ++i)  
        f[i]=i,rank[i]=0;  
}  
int find(int x){  
    int i, j=x;  
    while(j!=f[j]) j=f[j];  
    while(x!=j){  
        i=f[x]; f[x]=j; x=i;  
    }  
    return j;  
}  
void Union(int x, int y){  
    int a=find(x), b=find(y);  
    if(a==b)return;  
    if(rank[a]>rank[b])  
        f[b]=a;  
    else{  
        if(rank[a]==rank[b])  
            ++rank[b];  
        f[a]=b;  
    }  
}  
  
int main(){  
    int u,v,speed,Q;  
    while(scanf("%d%d",&n,&m)!=EOF){  
        for(int i=0; i<m; ++i)  
            scanf("%d%d%d",&arr[i].u,&arr[i].v,&arr[i].val);  
        sort(arr,arr+m);  
        scanf("%d",&Q);  
        for(int i=0; i<Q; ++i){  
            scanf("%d%d",&u,&v);  
            int ans=INF;  
            for(int j=0; j<m; ++j){  
                init();  
                for(int k=j; k<m; ++k){  
                    Union(arr[k].u,arr[k].v);  
                    if(find(u)==find(v)){  
                        ans = min(ans, arr[k].val-arr[j].val);  
                        break;  
                    }  
                }  
            }  
            if(ans==INF)printf("-1\n");  
            else printf("%d\n",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