bzoj1096: [ZJOI2007]仓库建设

O(n^2)的dp:

f[i]表示i~n的费用

f[i] = min(f[j+1] + c[j] + (i<=k<=j) ((x[j]-x[k])*p[k])) (i+1<=j<=n)

从后向前dp


斜率优化O(n):

s[i]表示p[i]的前缀和,s2[i]表示x[i]*p[i]的前缀和

整理一下f[i]

f[i] = min(-x[j] * s[i-1] + f[j+1]+c[j]+x[j]*s[j]-s2[j]) + s2[i-1]

变量是s[i-1]

直线k=-x[j], b=f[j+1]+c[j]+x[j]*s[j]-s2[j]

s[i-1]随i单调


#include <cstdio>
#define MAXN 1000003
int n;
long long x[MAXN], p[MAXN], c[MAXN];
long long s[MAXN], s2[MAXN], f[MAXN];
struct qtype
{
    long long k, b;
} q[MAXN];
int head, tail;
int main()
{
    scanf("%d", &n);
    for (int i = 1; i <= n; ++i)
        scanf("%lld%lld%lld", &x[i], &p[i], &c[i]);
    s[0] = 0;
    for (int i = 1; i <= n; ++i)
        s[i] = s[i - 1] + p[i];
    s2[0] = 0;
    for (int i = 1; i <= n; ++i)
        s2[i] = s2[i - 1] + x[i] * p[i];
    f[n + 1] = 0;
    head = tail = 0;
    for (int i = n; i >= 1; --i)
    {
        long long k, b;
        k = -x[i];
        b = f[i + 1] + x[i] * s[i] - s2[i] + c[i];
        while (tail - head >= 2)
        {
            double x, y;
            x = (q[tail - 2].b - q[tail - 1].b) / (q[tail - 1].k - q[tail - 2].k);
            y = q[tail - 1].k * x + q[tail - 1].b;
            if (y >= k * x + b)
                --tail;
            else
                break;
        }
        q[tail].k = k, q[tail].b = b;
        ++tail;
        while (tail - head >= 2)
            if (q[head].k * s[i - 1] + q[head].b >= q[head + 1].k * s[i - 1] + q[head + 1].b)
                ++head;
            else
                break;
        f[i] = q[head].k * s[i - 1] + q[head].b + s2[i - 1];
    }
    printf("%lld\n", f[1]);
    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。
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