POJ 1990 BIT

题意

传送门 POJ 1990

题解

音量乘积的求和

∑ ( m a x ( v i , v j ) × ∣ x i − x j ∣ ) \sum (max(v_{i},v_{j})\times |x_{i}-x_{j}|) (max(vi,vj)×xixj)

基本思路是按照音量值升序排序,对于每一头牛,乘以音量值比它小的牛到它的距离和,复杂度 O ( n 2 ) O(n^2) O(n2)

∑ ( v i × ∣ x i − x j ∣ ) , v i > v j \sum (v_{i}\times |x_{i}-x_{j}|),v_{i}>v_{j} (vi×xixj),vi>vj

需要处理掉绝对值

∑ v i > v j , x i > x j ( v i × ( x i − x j ) ) + ∑ v i > v j , x i < x j ( v i × ( x j − x i ) ) \sum_{v_{i}>v_{j},x_{i}>x_{j}} (v_{i}\times (x_{i}-x_{j}))+\sum_{v_{i}>v_{j},x_{i}<x_{j}} (v_{i}\times (x_{j}-x_{i})) vi>vj,xi>xj(vi×(xixj))+vi>vj,xi<xj(vi×(xjxi))

每次处理的牛 i i i 与已经处理的牛 j j j 满足 v i > v j v_{i}>v_{j} vi>vj,只要知道已经处理的牛的坐标和头数即可求得音量乘积。这里用两个二维数组以坐标值为索引,维护牛的头数以及坐标和,总复杂度 O ( n l o g n ) O(nlogn) O(nlogn)

#include <cstdio>
#include <cstring>
#include <iostream>
#include <algorithm>
#define min(a,b)    (((a) < (b)) ? (a) : (b))
#define max(a,b)    (((a) > (b)) ? (a) : (b))
#define abs(x)    ((x) < 0 ? -(x) : (x))
#define INF 0x3f3f3f3f
#define delta 0.85
#define eps 1e-5
#define PI 3.14159265358979323846
#define MAX_N 20005
using namespace std;
typedef long long LL;
typedef pair<int, int> P;
int N;
P S[MAX_N];
int bit1[MAX_N + 1], bit2[MAX_N + 1]; // 数量, 坐标和

int sum(int *b, int i){
	int s = 0;
	while(i > 0){
		s += b[i];
		i -= i & -i;
	}
	return s;
}

void add(int *b, int i, int x){
	while(i <= MAX_N){
		b[i] += x;
		i += i & -i;
	}
}

int main(){
	while(~scanf("%d", &N) && N){
		memset(bit1, 0, sizeof(bit1));
		memset(bit2, 0, sizeof(bit2));
		for(int i = 0; i < N; i++) scanf("%d%d", &S[i].first, &S[i].second);
		sort(S, S + N);
		LL res = 0;
		for(int i = 0; i < N; i++){
			LL v = S[i].first, x = S[i].second;
			// 处理 vj < vi, xj < xi 的情况
			res += v * (sum(bit1, x) * x - sum(bit2, x));
			// 处理 vj < vi, xj > xi 的情况
			res += v * (sum(bit2, MAX_N) - sum(bit2, x) - (sum(bit1, MAX_N) - sum(bit1, x)) * x);
			add(bit1, x, 1);
			add(bit2, x, x);
		}
		printf("%lld\n", res);
	}
	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