一道比较不错的组合思想题

fdgfdgfd

方 法 一 ( O ( n 3 ) ) 方法一(O(n^3)) (O(n3))

将 原 数 组 进 行 排 序 , 二 重 循 环 枚 举 两 个 数 的 值 , 但 是 发 现 很 难 计 算 方 案 数 将原数组进行排序,二重循环枚举两个数的值,但是发现很难计算方案数
所 以 就 再 加 上 一 个 这 个 值 所 在 的 位 置 , 记 为 k 所以就再加上一个这个值所在的位置,记为k k
可 以 将 原 数 组 进 行 排 序 , 较 小 的 数 为 x , 较 大 的 数 为 y , 比 x 小 的 数 为 s m , 比 x 大 的 数 为 b g , 在 两 个 中 间 的 为 m i d 可以将原数组进行排序,较小的数为x,较大的数为y,比x小的数为sm,比x大的数为bg,在两个中间的为mid xyxsmxbgmid
很 显 然 的 s m 的 数 一 定 是 在 k 之 前 , b g 的 数 一 定 是 在 k 之 后 , m i d 是 在 x 之 后 , y 之 前 很显然的sm的数一定是在k之前,bg的数一定是在k之后,mid是在x之后,y之前 smkbgkmidxy
由 于 已 经 知 道 k 的 位 置 了 , 那 么 a 前 有 几 个 s m , b 后 有 几 个 b g 都 可 以 直 接 解 决 了 , 这 个 方 案 数 即 为 C s m k − 1 ∗ C b g n − k ∗ ∣ a [ i ] − a [ j ] ∣ ∗ C m i d 2 ∗ k − 2 − s m ∗ 2 ( 有 点 繁 琐 , 自 己 推 ) 由于已经知道k的位置了,那么a前有几个sm,b后有几个bg都可以直接解决了,这个方案数即为\\C_{sm}^{k-1}*C_{bg}^{n-k}*|a[i]-a[j]|*C_{mid}^{2*k-2-sm}*2(有点繁琐,自己推) kasmbbgCsmk1Cbgnka[i]a[j]Cmid2k2sm2()
这样就可以直接了

#include<bits/stdc++.h>
using namespace std;
const int N=5e3+10;
#define Mod 998244353
#define ll long long
ll power(ll x,ll y){
	if(!y)return 1;
	ll sum=power(x,y>>1);
	if(y&1)return sum*sum%Mod*x%Mod;
	return sum*sum%Mod;
}
int n,a[N];ll fac[N],inv[N],ans;
ll C(int n,int k){
    if(n<k)return 0;
	return fac[n]*inv[k]%Mod*inv[n-k]%Mod;
}
ll P(int n,int k){
	return fac[n]*inv[n-k]%Mod;
}
int main()
{
	scanf("%d",&n);fac[0]=1;
	for(int i=1;i<=2*n;i++)
	  scanf("%d",&a[i]);
	for(int i=1;i<=2*n;i++)
	  fac[i]=fac[i-1]*i%Mod;
	inv[2*n]=power(fac[2*n],Mod-2);
	for(int i=2*n-1;i+1;i--)
	  inv[i]=inv[i+1]*(i+1)%Mod;
	sort(a+1,a+2*n+1);
	for(int i=1;i<=2*n;i++)
	  for(int j=i+1;j<=2*n;j++){
	  	int sm=i-1,bg=2*n-j,mid=j-i-1;
	  	for(int k=n-bg;k<=sm+1;k++){
	  	  ans=(ans+C(sm,k-1)*C(bg,n-k)%Mod*abs(a[i]-a[j])%Mod
			*2%Mod*C(mid,2*k-2-sm)%Mod)%Mod;
		}
	  }
	printf("%lld",ans);
	return 0;
}
方 法 二 ( O ( n 2 ) ) 方法二(O(n^2)) (O(n2))

可 以 发 现 这 个 题 目 又 有 一 个 性 质 : 如 果 a 数 组 确 定 了 , 那 么 b 数 组 自 然 而 然 地 也 确 定 了 可以发现这个题目又有一个性质:如果a数组确定了,那么b数组自然而然地也确定了 ab
可 以 将 ∣ a i − b i ∣ 分 成 ( a i − b i ) 和 ( b i − a i ) , 只 需 要 考 虑 这 个 式 子 其 中 一 个 值 应 该 是 正 的 还 是 负 的 可以将|ai-bi|分成(ai-bi)和(bi-ai),只需要考虑这个式子其中一个值应该是正的还是负的 aibi(aibi)(biai)
所 以 可 以 枚 举 i 和 j ( 即 为 所 在 的 位 置 ) 的 值 所以可以枚举i和j(即为所在的位置)的值 ij()
示 意 图 如 下 示意图如下 在这里插入图片描述
$可以发现当j\leq i-j时,即2*j<=i时,显然a[i]为正数,否则a[i]为负数\$
方 案 数 求 解 也 非 常 好 写 方案数求解也非常好写

#include<bits/stdc++.h>
using namespace std;
const int N=5e3+10;
#define Mod 998244353
#define ll long long
ll power(ll x,ll y){
	if(!y)return 1;
	ll sum=power(x,y>>1);
	if(y&1)return sum*sum%Mod*x%Mod;
	return sum*sum%Mod;
}
int n;ll fac[N],inv[N],ans,a[N];
ll C(int n,int k){
	if(k>n)return 0; 
	return fac[n]*inv[k]%Mod*inv[n-k]%Mod;
}
signed main()
{
	scanf("%d",&n);fac[0]=1;
	for(int i=1;i<=2*n;i++)
	  scanf("%d",&a[i]);
	for(int i=1;i<=2*n;i++)
	  fac[i]=fac[i-1]*i%Mod;
	inv[2*n]=power(fac[2*n],Mod-2);
	for(int i=2*n-1;i+1;i--)
	  inv[i]=inv[i+1]*(i+1)%Mod;
	sort(a+1,a+2*n+1);
	for(int i=1,p;i<=2*n;i++)
	  for(int j=1;j<=min(i,n);j++){
	  	if(i>=2*j)p=1;else p=-1;
	  	ans=((ans+2ll*p*a[i]%Mod*C(i-1,j-1)
		%Mod*C(2*n-i,n-j)%Mod)%Mod+Mod)%Mod;
	  }
	printf("%lld",ans);
	return 0;
}
方 法 三 ( O ( n l o g 2 n ) ) 方法三(O(nlog^2n)) (O(nlog2n))

不会…

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
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