poj 1033 Defragment 简单搜索

题目: 磁盘被分为N个区,给定K个文件分别存在磁盘上的某几个区,现在需要将它们集中挪到前面几个区,这样访问文件的时候会更快一点。   问怎样用最少的步骤将它们分别挪在应在的区域。

例如:

输入:

20 3             (N=20表示分20个区,K=3表示有三个文件)
4 2 3 11 12      (第一个文件占领了4个区,分别是2 3 11 12)
1 7              (第二个文件占领了1个区,分别是7)
3 18 5 10        (第三个文件占领了3个区,分别是18 5 10)
 
输出:

 2    1                              (文件1占的2挪到1区)

 3    2                              (3->2)

11   3                              (11->3)

12   4                              (12->4)

18   6                              (18->6)                          

10   8

 5    20

 7    5

20    7

 这里有一个问题就是当7挪到5的时候,后面有一个是把我5挪到7,这样就形成了一个环,编程的时候要处理这种环。

 

具体思路:

a[i] 代表在i位置放了应该放在a[i]位置的节点

b[i] 代表应该放在i位置的节点现在在b[i]位置

搜索的时候从i=1开始,如果a[i] == i,代表节点位置正确,不用移动

如果a[i] != i,代表位置摆放不正确

这里,又分两种情况:

1) 如果a[i] == 0,说明 i位置现在为空,只要简单的将节点从b[i] 移到 i 就可以了。

2) 如果a[i] != 0,说明i位置现在有节点占着,要先把i位置上的节点放到a[i] 位置,而如果a[a[i]] != 0,则意味着a[i]位置上也有节点占着,要先将a[i]位置上的节点移到正确的位置。于是,我取了一个栈,把这些搜索过程中遇到的节点放入栈中,直到搜索到为空的位置,然后再一次把栈中的节点移到他们正确的位置。当然,也有可能最后出现一个循环,所以,我用了c[i]来记录栈中已有的节点,c[i]=1代表此次搜索,i位置已被访问过,如果出现了循环,则直接从最后的节点往前搜一个空位置,然后把栈顶的节点先移到空位置,等其余节点都在正确的位置时,再把那个节点从空位置已到它应在的正确位置。

#include <cstdio>
#include <cstring>
#include <string>
#include <iostream>
#include <algorithm>
using namespace std;

int a[10010],b[10010],c[10010],stack[10010],top = 0;
int n,k;

int main(){
   
   cin >> n >> k ;
   memset(a,0,sizeof a);//a[i]表示i应该在的位置
   memset(b,0,sizeof b);//b[i]表示在i位置的数据在哪
   memset(c,0,sizeof c);//用于标记,是否被访问到
   
   int s,m = 0;
   for (int i = 1;i <= k;i ++){
       cin >> s;
       for (int j = 1;j <= s;j ++){
           int p;
           cin >> p;
           a[p] = ++m; //a[p]表示第p空间的内容应该在的目标位置
           b[m] = p;  //b[m]表示最后第m空间的内容原本在的位置
       }
   }
   
   bool needed = false; //是否需要处理
   
   for (int i = 1;i <= m;i ++){
       int t = i;
       while (a[t] != t){ //t的内容不在目标位置上
           needed = true;
           if (c[t] == 1){ //访问到已做过标记的,说明是一个完整的环,就需要有一个点先跳到后面的空格,破坏为链
               for (int j = n;j > 0;j --){
                   if (a[j] == 0){//从后往往前搜索空闲的块
                       cout << b[stack[top]] <<" "<<j <<endl;
                       b[stack[top]] = j;//b[stack[top]]表示环的起始点
                       a[j] = stack[top];
                       top --;
                       break;//此时由于环的起始节点被挪到后面空闲的位置,所以位置又可以挪新数据
                   }
               }
               break;
           }
           stack[++top] = t;//入栈
             if (a[t] == 0) break;//处理过了
             else c[t] = 1,t = a[t];//标记,并寻找t延伸下去的一个
       }
       while (top){//栈非空
           int to = stack[top]; //处理链上的冲突
           cout << b[to] <<" "<<to<<endl;
           a[to] = to; //更新已经处理好的点
           a[b[to]] = 0;
           b[to] = to;
           top --;
       }
       memset(c,0,sizeof c);
   }
   
   if (!needed) puts("No optimization needed");
   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。
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