Codeforces 1185F Two Pizzas 状态压缩

传送门

题目描述

在这里插入图片描述

分析

我们去用二进制表示每个每个原料选或者没选,然后去维护各种信息就可以了,需要注意的是可能有两张披萨的原料相同,所以我们要维护一个最值还有一个次最值

代码

#include <iostream>
#include <cstdio>
#include <cmath>
#include <algorithm>
#include <queue>
#include <cstring>
#define debug(x) cout<<#x<<":"<<x<<endl;
#define _CRT_SECURE_NO_WARNINGS
#pragma GCC optimize("Ofast","unroll-loops","omit-frame-pointer","inline")
#pragma GCC option("arch=native","tune=native","no-zero-upper")
#pragma GCC target("avx2")
using namespace std;
typedef long long ll;
typedef unsigned long long ull;
typedef pair<int,int> PII;
const int INF = 0x3f3f3f3f;
const int N = 1e5 + 10;
int n,m;
int f1[N];  //维护每一个状态的最小值
int f2[N];  //维护每一个状态的次小值
ll f[N];
int a[N];   //维护每一个人的状态
int d1[N];   //维护每一个状态对应第几个
int d2[N];   //维护每一个状态对应第几个
int c[N];  //维护每一个对应的成功状态的答案
PII res[N]; //维护答案

bool check(int x,int y){
    for(int i = 0;i < 9;i++){
        int a = x & 1;
        int b = y & 1;
        if(b && !a) return false;
        x >>= 1;
        y >>= 1;
    }
    return true;
}

int main(){
    scanf("%d%d",&n,&m);
    memset(f1,0x3f,sizeof f1);
    memset(f2,0x3f,sizeof f2);
    memset(f,0x3f,sizeof f);
    for(int i = 1;i <= n;i++){
        int num;
        scanf("%d",&num);
        int ans = 0;
        for(int j = 1;j <= num;j++){
            int x;
            scanf("%d",&x);
            ans += (1 << (x - 1));
        }
        a[i] = ans;
    }
    for(int i = 1;i <= m;i++){
        int ppp,num;
        scanf("%d%d",&ppp,&num);
        int ans = 0;
        for(int j = 1;j <= num;j++){
            int x;
            scanf("%d",&x);
            ans += (1 << (x - 1));
        }
        if(f1[ans] > ppp){
            f2[ans] = f1[ans];
            f1[ans] = ppp;
            d2[ans] = d1[ans];
            d1[ans] = i;
        }
        else if(f2[ans] > ppp) {
            f2[ans] = ppp;
            d2[ans] = i;
        }
    }
    for(int i = 0;i < 1 << 9;i++)
        for(int j = 0;j < 1 << 9;j++){
            if(i == j){
                if(f1[i] == INF || f2[i] == INF) continue;
                ll sum = f1[i] * 1ll + f2[i] * 1ll;
                if(f[i] > sum){
                    f[i] = sum;
                    res[i] = {d1[i],d2[i]};
                }
            }
            else{
                if(f1[i] == INF || f1[j] == INF) continue;
                int k = i | j;
                ll sum = f1[i] * 1ll + f1[j] * 1ll;
                if(f[k] > sum){
                    f[k] = sum;
                    res[k] = {d1[i],d1[j]};
                }
            }
        }
    for(int i = 0;i < 1 << 9;i++){
        if(f[i] > 2000000000) continue;
        int s = 0;
        for(int j = 1;j <= n;j++)
            if(check(i,a[j])) s++;
        if(c[s] == 0 || f[c[s]] > f[i])
            c[s] = i;
    }    
        
    int ans = 0;
    for(int i = n;~i;i--){
        if(c[i]){
            ans = i;
            break;
        }
    }
    printf("%d %d\n",min(res[c[ans]].first,res[c[ans]].second),max(res[c[ans]].first,res[c[ans]].second));
    return 0;
}

/**
*  ┏┓   ┏┓+ +
* ┏┛┻━━━┛┻┓ + +
* ┃       ┃
* ┃   ━   ┃ ++ + + +
*  ████━████+
*  ◥██◤ ◥██◤ +
* ┃   ┻   ┃
* ┃       ┃ + +
* ┗━┓   ┏━┛
*   ┃   ┃ + + + +Code is far away from  
*   ┃   ┃ + bug with the animal protecting
*   ┃    ┗━━━┓ 神兽保佑,代码无bug 
*   ┃        ┣┓
*    ┃        ┏┛
*     ┗┓┓┏━┳┓┏┛ + + + +
*    ┃┫┫ ┃┫┫
*    ┗┻┛ ┗┻┛+ + + +
*/
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