luogu P4212 外太空旅行

luogu P4212 外太空旅行

题解为什么都是随机化或bitset的呀

这题明明就是最大团板子题啊

是不是对最大团问题有什么误解

搜索加3个剪枝没有压力跑过去了呀

没开O2 : https://www.luogu.org/record/24996441

开O2 : https://www.luogu.org/record/24995977

首先讲讲怎么搜索吧

我们可以考虑设立 F(i),表示只考虑标号 ≥ i 的点所能构成的最大团的点数

那么我们就可以从 n 到 1 依次枚举,假设枚举到 i 号点,我们可以钦定强制选择 i 号点作为团中的点,然后从小到大依次枚举 i 号点所连向的编号大于 i 的点,选为团中的点,然后不断进行这样的操作,注意要保证当前选的点要和之前选的点都有连边才合法。

注意 F(i) ≤ F(i+1) + 1,因为我每次只添加一个点,不可能把最大团的点数加2。所以如果把 F(i) 更新为了 F(i+1) + 1,那么就可以直接退出。(最优性剪枝 1)

如果当前深度是 depth,最后一个枚举的点是 u,设 D(u) 为编号大于 u 的且与u 有连边的点的个数,那么如果 depth + D(u) ≤ F(i),那么这之后也肯定不可能会有更优的解,直接退出。(最优性剪枝 2)

假设当前深度是 depth,最后一个枚举的点是 u,如果 depth + F(u+1) ≤ F(i),那么这之后肯定不可能会有更优的解,直接退出。(最优性剪枝 3)

code:

#include<bits/stdc++.h>
#define N 55
using namespace std;
int n, ans, g[N][N], S[N][N], f[N];
void dfs(int m, int dep) {
	if(dep > ans) {//最优性剪枝 1
		ans = dep;
		return;	
	}
	for(int i = 1; i <= m; i ++) {
		if(dep + m - i + 1 <= ans) continue;//最优性剪枝 2
		if(dep + f[S[dep][i]] <= ans) continue;//最优性剪枝 3
		int sz = 0;
		for(int j = i + 1; j <= m; j ++)
			if(g[S[dep][i]][S[dep][j]]) S[dep + 1][++ sz] = S[dep][j];
		dfs(sz, dep + 1);
	}
}
int main() {
	scanf("%d", &n);
	int u, v;
	while(~scanf("%d%d", &u, &v)) g[u][v] = g[v][u] = 1;//这里题面就不能强调一下吗? 
	
	for(int i = n; i >= 1; i --) {
		int m = 0;
		for(int j = i + 1; j <= n; j ++) 	
			if(g[i][j]) S[1][++ m] = j;
		dfs(m, 1);
		f[i] = ans;
	}
	printf("%d", 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