UVa 12657 Boxes in a Line(双向链表的应用)


分析:这个题应该说不简单,很难考虑进所有情况,我反正是跪了,之后参考了大神的代码才恍然大悟。
这个题是有不少坑的(坑坑难防),但相对应也有很多处理技巧。
1、首先这个题是一个双向链表,这个构造链表太麻烦,用数组模拟较为简单,省时省力。
2、这个题有4种操作,1、2操作较简单就能实现,也没有很多坑,但是如果x,y恰好已经满足1或2操作的结果,那就
直接continue跳过当前。3操作明显是有一个坑的,就在于如果x,y相邻这个局怎么破?这是个坑,如果不考虑这种情
况那么一定  最后是4操作,必须清醒地意识到4操作有可能不知会出现一次,便可利用一个类似标志变量,出现一次4
取一次非。
3、当出现1次4后,也就是说反转一次,那么原来1和2的操作相当于换过来了,这是一个小技巧。用3-当前操作便可。
4、还有就是最后奇数项总和的解法,也是存在一点小技巧的,可以先求出来未反转时总和sum,如果原本就是奇数,
那反转后的总和仍是sum;但如果是偶数,那就不同了,前n项和-sum便是此情况下的奇数项总和(用long long定义较
好,防止超出范围)


代码如下:
#include<iostream>
#include<cstdio>
#include<cstring>
#define maxn 100200
using namespace std;
long long Right[maxn],Lift[maxn];
void link(int X,int Y)//构建数组模拟双向链表
{
    Right[X]=Y;
    Lift[Y]=X;
}
int main()
{
    int n,m,Case=0;
    while(cin>>n>>m)
    {
        memset(Lift,0,sizeof(Lift));
        memset(Right,0,sizeof(Right));
        int ans =0;
        for(int i=1;i<=n;i++)
        {
            link(i,i+1);
            link(i-1,i);
        }
        while(m--)
        {
            int c,X,Y;
            cin>>c;
            if(c==4)
            {
                ans=!ans;//类似标志控制最后到底反转还是未反转
                continue;
            }
            cin>>X>>Y;
            if(c==3&&(Right[Y]==X)) swap(X,Y);//处理特殊情况相邻
            if(c!=3&&ans) c=3-c;//反转后1和2操作互换
            if(c==1&&Lift[Y]==X) continue;
            if(c==2&&Right[Y]==X) continue;//这两种情况已经符合1,2的操作直接跳过即可
            int XL=Lift[X],XR=Right[X],YL=Lift[Y],YR=Right[Y];
            if(c==3)
            {
               if(Right[X]==Y)//处理特殊情况
               {
                    link(XL,Y);
                    link(Y,X);
                    link(X,YR);
               }
                else
                {
                    link(X,YR);
                    link(YL,X);
                    link(Y,XR);
                    link(XL,Y);
                }
            }
            else if(c==2)
            {
                link(Y,X);
                link(X,YR);
                link(XL,XR);
            }
            else if(c==1)
            {
                link(XL,XR);
                link(YL,X);
                link(X,Y);
            }
        }
        long long sum=0,cur=0;
        for(int i=1;i<=n;i++)
        {
            cur=Right[cur];
            if(i%2) sum+=cur;
        }
        if(ans&&!(n%2)) sum=(long long)n/2 *(n + 1)-sum;//技巧
        printf("Case %d: %lld\n",++Case,sum);
    }
    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