2014ACM/ICPC亚洲区广州站 I-Little Zu Chongzhi‘s Triangles 状压DP

HDU-5135

在这里插入图片描述

code

/*SiberianSquirrel*/
/*CuteKiloFish*/
#include<bits/stdc++.h>
using namespace std;

int n;
double t[15];
double dp[1<<13];
vector<int> v;

bool check(double a, double b, double c) {
    return a + b > c && fabs(c - b) < a;
}

double s(double a, double b, double c) {
    double p = (a + b + c) / 2.0;
    return sqrt(p * fabs(p-a) * fabs(p-b) * fabs(p-c));
}

void solve(double maxx = 0, double res = 0) {
    v.clear();
    for(int i = 1; i <= n - 2; ++ i) {
        for(int j = i + 1; j <= n - 1; ++ j) {
            for(int k = j + 1; k <= n; ++ k) {
                if(check(t[i], t[j], t[k])) {
                    int tmp = (1<<i) | (1<<j) | (1<<k);
                    dp[tmp] = s(t[i], t[j], t[k]);
                    v.push_back(tmp);
                }
            }
        }
    }
    for (int i = 0; i < (1<<n); ++ i) {
        for (int j = 0; j < v.size(); ++ j) {
            if (i & v[j]) continue;
            dp[i|v[j]] = max(dp[i|v[j]], dp[i] + dp[v[j]]);
            maxx = max(maxx, dp[i|v[j]]);
        }
    }
    cout << fixed << setprecision(2) << maxx << endl;
}

int main() {
    ios::sync_with_stdio(false);cin.tie(0);cout.tie(nullptr);
#ifdef ACM_LOCAL
    freopen("input", "r", stdin);
    freopen("output", "w", stdout);
#endif
    while(cin >> n) {
        if(!n) break;
        memset(dp, 0, sizeof dp);
        for(int i = 1; i <= n; ++ i) cin >> t[i];
        sort(t + 1, t + 1 + n);
        solve();
    }
    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