387 div2 cf 4

C 题意:
有n个服务器 1 ~n
有m个任务,t代表任务开始的时间,k代表任务要占用的服务器数量,d代表占用时间。
m<=1e5
每个任务占用服务器时会选择使用编号最小的服务器
输出每个任务占用的服务器编号总和,没有则-1

暴力模拟就好了。=_=虽然感觉会T。。但是试着交了发

struct TASK {
    int t, k, d;
} task[maxn];
set<int>S;
set<pair<int,int> >END;
queue<int>Q[maxn];
int ans[maxn];
void init() {
    cin >> n >> m;
    for(int i = 0; i < m; i++) {
        scanf("%d%d%d", &task[i].t, &task[i].k, &task[i].d);
    }
    for(int i = 1; i <= n; i++) S.insert(i);
    int ed = 0, last = 101;
    for(int i = 0; i < m; i++) {
        set<pair<int,int> >::iterator it = END.begin();
        while(END.size()>0&&task[i].t > (*it).X) {
            while(!Q[(*it).Y].empty()) {
                int num = Q[(*it).Y].front();
                Q[(*it).Y].pop();
                S.insert(num);
            }
            pair<int,int> tp = *it;
            it++;
            END.erase(tp);
        }
        if(S.size() >= task[i].k) {
            set<int>::iterator it = S.begin();
            int sum = 0;
            for(int j = 0; j < task[i].k; j++) {
                int k = *it;
                sum += *it;
                it++;
                Q[i].push(k);
                S.erase(k);
            }
            ans[i] = sum;
            ed = task[i].t + task[i].d - 1;
            last = i;
            END.insert(mp(ed,last));
        } else {
            ans[i] = -1;
        }
    }
    for(int i = 0; i < m; i++) {
        cout << ans[i] << endl;
    }
}

给了n天的温度,有两个轮胎,夏天的轮胎和冬天的轮胎
夏天的轮胎能在温度>=0时使用,冬天的不受限制,
冬天的轮胎最多用k天,夏天的不受限制。
问最少换几次轮胎?(循环使用)
n<=2e5

贪心:
记录下冬天出现的次数winter
然后k-winter就是冬天轮胎能多跑的天数,ans =winter*2就是最大的答案
记录下每个冬天间隔的长度,对这些长度排序,尽量选短的
每选一个ans-=2(边界特判)
这样答案就尽量小了。

int n, m, k;
int a[maxn];
int pos[maxn];
void init() {
    cin >> n >> k;
    int winter = 0;
    for(int i = 0; i < n; i++) {
        cin >> a[i];
        if(a[i] < 0)pos[winter++] = i;
    }
    if(!winter) {
        puts("0");
        return ;
    }
    if(winter > k) {
        puts("-1");
        return ;
    }
    vector<int>Q;
    for(int i = 1; i < winter; i++)
        Q.push_back(pos[i] - pos[i - 1] - 1);
    sort(Q.begin(), Q.end());
    k = k - winter;
    int cnt = 0,ans = winter*2;
    for(int i = 0; i < Q.size(); i++) {
        if(k >= Q[i]) cnt++, k -= Q[i];
    }
    ans -= cnt*2;
    int R = pos[winter - 1] + k;
    if(R >=n-1){
        ans--;
    }
    cout << ans << endl;
}
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。
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