牛客练习赛64 D

【容斥原理经典题】

题意

i i i个物品不能放在 a i a_i ai箱子里,求每个箱子有一个物品的方案数

题解

经典题目
之前做了一道题,需要 c r t crt crt合并(此题)

也是要考虑到容斥,那题处理方式是利用 d p dp dp,因为有个类似上升子序列的递推关系, d p [ i ] dp[i] dp[i]表示第一个不合法的情况,之后无论怎么选都还是不合法。

此题类似, g ( n ) g(n) g(n)表示有 n n n个不合法的方案数, f ( n ) f(n) f(n)表示任意排列的方案数。
显然如果有 k k k个不合法,方案数显然为 G ( k ) = g ( k ) ∗ f ( n − k ) G(k)=g(k)*f(n-k) G(k)=g(k)f(nk),比赛的时候没考虑到任意排列,如果不任意的话是不能够这么乘的,只有任意的时候才不会被影响。
不过显然,这样子处理的时候,可能会有多于 k k k个不合法,所以我们定义 G ( k ) G(k) G(k)为至少 k k k个不合法。

根据容斥原理,答案为 ∑ i = 0 n ( − 1 ) i G ( i ) \sum\limits_{i=0}^n (-1)^iG(i) i=0n(1)iG(i)(至少有 i i i个不合法的情况,显然包含 G ( i + 1 ) G(i+1) G(i+1),符合容斥原理的要求)。

最后求 g ( k ) g(k) g(k)的时候,令 g [ i ] [ j ] g[i][j] g[i][j]表示考虑前 i i i个物品不合法,有 j j j个不合法;
则有: g [ i ] [ j ] = g [ i − 1 ] [ j ] + g [ i − 1 ] [ j − 1 ] ∗ b [ i ] g[i][j]=g[i-1][j]+g[i-1][j-1]*b[i] g[i][j]=g[i1][j]+g[i1][j1]b[i] b [ i ] b[i] b[i]表示要使当前盒子不合法,有几种方法(不能放在该盒子的有几个)。

因为数据较大,需要滚动数组,或者用类似背包逆推的方法。

#include<bits/stdc++.h>
#define FOR(i,a,b) for(int i=a;i<=b;i++)
#define inf 0x3f3f3f3f
typedef long long ll;
using namespace std;
const int maxn = 3e5+10;
const int maxm = 1e6+10;
const int mod = 998244353;

ll f[maxn],g[maxn];
ll a[maxn],x;

int main(){
    int n;cin>>n;
    f[0]=1;
    FOR(i,1,n)f[i]=f[i-1]*i%mod;
    g[0]=1;
    FOR(i,1,n)cin>>x,a[x]++;
    FOR(i,1,n){
        for(int j=n;j>=1;j--){
            g[j]=(g[j]+g[j-1]*a[i])%mod;
        }
    }
    ll ans=0;
    for(int i=0,j=1;i<=n;i++,j*=-1)ans=(ans+1ll*j*g[i]*f[n-i])%mod;
    cout<<(ans+mod)%mod<<endl;
}

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