JZOJ 1774. 合并果子 (Standard IO)

6 篇文章 0 订阅
4 篇文章 0 订阅

1774. 合并果子 (Standard IO)

Time Limits: 1000 ms Memory Limits: 65536 KB

Description

  在一个果园里,多多已经将所有的果子打了下来,而且按果子的不同种类分成了不同的堆。多多决定把所有的果子合成一堆。
  每一次合并,多多可以把两堆果子合并到一起,消耗的体力等于两堆果子的重量之和。可以看出,所有的果子经过n-1次合并之后,就只剩下一堆了。多多在合并果子时总共消耗的体力等于每次合并所耗体力之和。
  因为还要花大力气把这些果子搬回家,所以多多在合并果子时要尽可能地节省体力。假定每个果子重量都为1,并且已知果子的种类数和每种果子的数目,你的任务是设计出合并的次序方案,使多多耗费的体力最少,并输出这个最小的体力耗费值。
  例如有3种果子,数目依次为1,2,9。可以先将 1、2堆合并,新堆数目为3,耗费体力为3。接着,将新堆与原先的第三堆合并,又得到新的堆,数目为12,耗费体力为 12。所以多多总共耗费体力=3+12=15。可以证明15为最小的体力耗费值。

Input

  输入文件fruit.in包括两行,第一行是一个整数n(1 <= n <= 30000),表示果子的种类数。第二行包含n个整数,用空格分隔,第i个整数ai(1 <= ai <= 20000)是第i种果子的数目。

Output

  输出文件fruit.out包括一行,这一行只包含一个整数,也就是最小的体力耗费值。输入数据保证这个值小于2^31。

Sample Input

3
1 2 9

Sample Output

15

Data Constraint

Hint

【数据规模】
  对于30%的数据,保证有n <= 100;
  对于50%的数据,保证有n <= 5000;
  对于全部的数据,保证有n <= 30000。

题解

今天查了下专题发现我似乎不知道哈夫曼树是啥,还好有大佬们可以问,于是找了到入门题练练

作为一道哈夫曼树入门题,还是很水的
直接依照哈夫曼树的定义做

建一个小根堆维护剩下的果子的最小值
然后每次找最小的两堆合并,再加回堆里就行了

代码

#include<iostream>
#include<iostream>
#include<cstdio>
#define INF 2147483647
#define N 30001
using namespace std;

long long dui[N*2+1],top;
void add(long x)
{   long now;
    dui[++top]=x;
    for(now=top;dui[now/2]>dui[now]&&now>1;now/=2)
        swap(dui[now],dui[now/2]);
}
long qu()
{   long ans=dui[1],now;
    bool t=false;
    dui[1]=INF;
    now=1;
    while(!t){
        t=true;
        if(now*2==top||dui[now*2]<dui[now*2+1]){
            if(dui[now]>dui[now*2]){
                swap(dui[now],dui[now*2]);
                now=now*2;
                t=false;
            }
        }else if(now*2+1<=top)
            if(dui[now]>dui[now*2+1]){
                swap(dui[now],dui[now*2+1]);
                now=now*2+1;
                t=false;
            }
    }
    return ans;
}

int main()
{   long n,i,q;
    long long ans=0;
    scanf("%ld",&n);
    for(i=1;i<=n;i++){
        scanf("%ld",&q);
        add(q);
    }
    for(i=1;i<n;i++){
        q=qu()+qu();
        ans+=q;
        add(q);
    }
    printf("%lld\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