【NOIP2017提高A组冲刺11.2】失格(乱搞)

Description

胆小鬼连幸福都会害怕,碰到棉花都会受伤,有时还被幸福所伤。
——太宰治《人间失格》

回顾我的一生,一共有n个事件,每一个事件有一个幸福值p_i。
我想用n-1条线把所有的事件连起来,变成一个连通块。一条连接了事件x和事件y的线会产生min(p_x mod p_y,p_y mod p_x)的喜悦值。
日日重复同样的事,遵循着与昨日相同的惯例,若能避开猛烈的狂喜,自然也不会有悲痛的来袭。因此,我想知道连接起来之后产生喜悦值最小是多少。

Input

文件第一行有一个正整数n。
接下来n行,每行一个正整数p_i。

Output

输出只有一行,表示最小的喜悦值。

Sample Input

输入1:
4
2
6
3
11
输入2:
4
1
2
3
4
输出3:
3
4
9
15

Sample Output

输出1:
1
输出2:
0
输出3:
4

Data Constraint

对于30%的数据,保证1<=n<=10^3。
对于另外40%的数据,保证1<=p_i<=10^6。
对于100%的数据,保证1<=n<=10^5,1<=p_i<=10^7。

题解

口胡选手的巅峰时刻。 - - - hzy dalao的赛后感言
中午12点的时候,比赛离结束还有20min,来不及写T3正解了,hzy就说,我们来口胡T3做法吧!
然后我就口胡到,我们枚举一个权值的所有倍数,然后……
结果赛后,一看题解,就发现。。。
关于这个题的做法,其实就是枚举权值的所有倍数,然后对于每一个倍数,向第一个大于等于它的权值(本来的权值)连一条边,然后跑kruskal,排序可以用计数排序,然后就是一些常数问题。
代码:

#include<cstdio>
#include<cstring>
#include<iostream>
#include<cmath>
#include<algorithm>
#include<cstdlib>
#include<vector>
#define ll long long
using namespace std;
inline int read(){
    int x=0;char ch=' ';int f=1;
    while(ch!='-'&&(ch<'0'||ch>'9'))ch=getchar();
    if(ch=='-')f=-1,ch=getchar();
    while(ch>='0'&&ch<='9')x=(x<<3)+(x<<1)+(ch^48),ch=getchar();
    return x*f;
}
const int M=1e7+5;
const int N=1e5+5;
int x[N*320],y[N*320],sum[M],rank[N*320],val[N*320],cc[N*320];
int n,tot,maxc;
int p[N],fa[N];
int vis[M],Nxt[M];
inline int find(int x){
    return fa[x]==x?x:fa[x]=find(fa[x]);
}
int main(){
    freopen("autosadism.in","r",stdin);
    freopen("autosadism.out","w",stdout);
    n=read();
    for(int i=1;i<=n;i++){
        p[i]=read(),fa[i]=i,maxc=max(maxc,p[i]);
        if(vis[p[i]])i--,n--;
        vis[p[i]]=1;
    }
    sort(p+1,p+n+1);
    //这一段预处理很重要,不加会TLE成40分
    int now=n;
    for(int i=maxc;i>=1;i--){
        while(now>0&&p[now-1]>=i)now--;
        Nxt[i]=now;
    }
    //结束
    for(int i=1;i<n;i++){
        int last;
        int v=p[Nxt[p[i]+1]]%p[i];
        x[++tot]=i;y[tot]=Nxt[p[i]+1];val[tot]=v;
        last=Nxt[p[i]+1];
        int now=2*p[i];
        while(now<=maxc){
            if(!Nxt[now])break;
            if(last!=Nxt[now]){
                v=p[Nxt[now]]%p[i];
                x[++tot]=i;y[tot]=Nxt[now];val[tot]=v;
                last=Nxt[now];
            }
            now+=p[i];
        }
    }
    for(int i=1;i<=tot;i++)sum[val[i]]++;
    for(int i=1;i<=maxc;i++)sum[i]+=sum[i-1];
    for(int i=1;i<=tot;i++)rank[i]=sum[val[i]]--;
    for(int i=1;i<=tot;i++)cc[rank[i]]=i;
    register int cnt=n;
    register ll ans=0;
    for(int i=1;i<=tot;i++){
        int u=find(x[cc[i]]);int v=find(y[cc[i]]);
        if(u==v)continue;
        fa[u]=v;
        ans+=val[cc[i]];
        cnt--;
        if(cnt==1)break;
    }
    printf("%lld",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