烙饼排序

问题:            


 星期五的晚上,一帮同事在希格玛大厦附近的“硬盘酒吧”多喝了几杯。程序员多喝了几杯之后谈什么呢?自然是算法问题。有个同事说:“我以前在餐馆打工,顾客经常点非常多的烙饼。店里的饼大小不一,我习惯在到达顾客饭桌前,把一摞饼按照大小次序摆好——小的在上面,大的在下面。由于我一只手托着盘子,只好用另一只手,一次抓住最上面的几块饼,把它们上下颠倒个个儿,反复几次之后,这摞烙饼就排好序了。我后来想,这实际上是个有趣的排序问题:假设有n块大小不一的烙饼,那最少要翻几次,才能达到最后大小有序的结果呢?”

       你能否写出一个程序,对于n块大小不一的烙饼,输出最优化的翻饼过程呢?

#include<iostream>
#include<cassert>
using namespace std;
class CPrefixSorting
{
	private:
		int* m_CakeArray;//烙饼信息数组
		int m_nCakeCnt;//烙饼个数  
		int m_nMaxSwap;//最多翻转次数,即上界  
		int* m_SwapArray;//交换结果数组,即保存最优解的每一步交换  
		int* m_ReverseCakeArray; //当前翻转烙饼信息数组  
		int* m_ReverseCakeArraySwap;//当前翻转烙饼交换结果数组  
		int m_nSearch;//当前遍历次数信息  
	public:
		CPrefixSorting()
		{
			m_nCakeCnt=0;
			m_nMaxSwap=0;
		} 
		void Run(int *pCakeArray,int nCakeCnt)
		{
			Init(pCakeArray,nCakeCnt);
			m_nSearch=0;
			Search(0);
		}
		void Init(int* pCakeArray,int nCakeCnt)
		{
			assert(pCakeArray!=NULL);
			assert(nCakeCnt>0);
			m_nCakeCnt=nCakeCnt;
			m_CakeArray=new int[m_nCakeCnt];
			assert(m_CakeArray!=NULL);
			for(int i=0;i<m_nCakeCnt;i++)
			{
				m_CakeArray[i]=pCakeArray[i];
			}
			m_nMaxSwap=UpBound(m_nCakeCnt);
			m_SwapArray=new int[m_nMaxSwap];
			assert(m_SwapArray!=NULL);
			m_ReverseCakeArray=new int[m_nCakeCnt];
			for(int i=0;i<m_nCakeCnt;i++)
			{
				m_ReverseCakeArray[i]=m_CakeArray[i];
			}
			m_ReverseCakeArraySwap=new int[m_nMaxSwap];
		}
		int UpBound(int nCakeCnt)
		{
			return (nCakeCnt-1)*2;
		}
		int LowerBound(int* pCakeArray,int nCakeCnt)
		{
			int t,ret=0;
			for(int i=1;i<nCakeCnt;i++)
			{
				t=pCakeArray[i]-pCakeArray[i-1];
				if(t==1 || t==-1){
					
				}
				else
				{
					ret++;
				}
			}
			if (ret==0 && pCakeArray[nCakeCnt-1] != nCakeCnt-1)
				ret++;
			return ret;
		}
		void Search(int step)
		{
			int i,nEstimate;
			m_nSearch++;
			nEstimate=LowerBound(m_ReverseCakeArray,m_nCakeCnt);
			if(step+nEstimate>=m_nMaxSwap)
				return;
			if(IsSorted(m_ReverseCakeArray,m_nCakeCnt))
			{
				if(step<m_nMaxSwap)
				{
					m_nMaxSwap=step;
					for(i=0;i<m_nMaxSwap;i++)
						m_SwapArray[i]=m_ReverseCakeArraySwap[i];
				}
				return;
			}
			for(i=1;i<m_nCakeCnt;i++)
			{
				Revert(0,i);
				m_ReverseCakeArraySwap[step]=i;
				Search(step+1);
				Revert(0,i);
			}
		}
		bool IsSorted(int* pCakeArray,int nCakeCnt)
		{
			for(int i=1;i<nCakeCnt;i++)
			{
				if(pCakeArray[i-1]>pCakeArray[i])
				{
					return false;
				}
			}
			return true;
		}
		void Revert(int nBegin,int nEnd)
		{
			assert(nEnd>nBegin);
			int i,j,t;
			for(i=nBegin,j=nEnd;i<j;i++,j--)
			{
				t=m_ReverseCakeArray[i];
				m_ReverseCakeArray[i]=m_ReverseCakeArray[j];
				m_ReverseCakeArray[j]=t;
			}
		}
		void Output()
		{
			for (int i = 0; i < m_nMaxSwap; i++)  
		        printf("%d\n", m_SwapArray[i]);  
			printf("Search Times : %d\n", m_nSearch);  
	        printf("Total Swap times = %d\n", m_nMaxSwap); 
		}
};
int main()
{
	int a[] = {3, 2, 1, 6, 5, 4, 9, 8, 7, 0};  
    CPrefixSorting test;  
    test.Run(a, 10);  
    test.Output();  
  
    system("pause");   
	return 0;
} 


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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 2
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