hdoj 2191 悼念512。。 【多重背包】+【二进制分解】

话说题目真长。。。

题意: 中文题,你懂得。。

策略:多重背包问题。多重背包转换成 01 背包问题就是多了个初始化,把它的件数C 用2的次幂分解成若干个件数的集合,这里面数字可以组合成任意小于等于C的件数,而且不会重复,之所以叫二进制分解,是因为这样分解可

以用数字的二进制形式来解释

    比如:7的二进制 7 = 111 它可以分解成 001 010 100 这三个数可以
组合成任意小于等于7 的数,而且每种组合都会得到不同的数。
    15 = 1111 可分解成 0001  0010  0100  1000 四个数字
    如果13 = 1101 则分解为 0001 0010 0100 0110 前三个数字可以组合成
7以内任意一个数,加上 0110 = 6 可以组合成任意一个大于6 小于13
 的数,虽然有重复但总是能把 13 以内所有的数都考虑到了,基于这种
思想(二进制思想)去把多件物品转换为,多种一件物品,就可用01 背包求解了。
题目链接: 点击打开链接
代码:
#include<stdio.h>
#include<string.h>
#include<math.h>
int dp[555], w[555], v[555]; //w是质量,v是要花费的钱
int main()
{
	int t, n, m, p, h, c, cou;
	scanf("%d", &t);
	while(t --){
		scanf("%d%d", &n, &m);
		memset(dp, 0, sizeof(dp));
		cou = 0;
		int i, j;
		while(m --){
			scanf("%d%d%d", &p, &h, &c);
			/*for(i =1; i <= c; i += (int)pow(2.0, i)){  //用pow总是wa,查了一下,pow返回的不是int型,是double型,虽然测试数据能过,但是可能有些取整的时候就错了。 于是就直接用一个整数来判断了
				v[cou] = i*p;
				w[cou++] = i*h;
				c-=i;
			}*/
			int l = 1;
			while(c >= l){
				v[cou] = l*p;
				w[cou++] = l*h;
				c-=l;
				l<<=1;
			}
			if(c){
				v[cou] = c*p;
				w[cou++] = c*h;
			}
		}
		for(i = 0; i < cou; i ++){
			for(j = n; j >= v[i]; j --){
				if(dp[j] < dp[j-v[i]]+w[i]) 
					dp[j] = dp[j-v[i]]+w[i];
			}
		}
		printf("%d\n", dp[n]);
	}
	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