Sicily 1224. 速配游戏

1224. 速配游戏

Constraints

Time Limit: 5 secs, Memory Limit: 32 MB

Description

有这么一个速配电视节目。N位男士和N位女士要在摄像机前选出他们合适的伴侣。每位女士按照其对每位男士作为配偶的偏爱程度给每位男士排名次,每位男士也按照其对每位女士作为配偶的偏爱程度给每位女士排名次。这些名次不允许并列。然后每位男士将向心仪的对象求婚,经过"残酷"的竞争之后各自找到适合的伴侣。

    最开始的时候每位男士都还没有被任何一位女士拒绝。求婚环节会经过很多轮进行,每一轮:
(1) 每位男士向还没有拒绝过自己的女士中选出自己认为最理想的一个,并向她求婚
(2) 每位女士在所有这一轮中向她求婚的男士中选出自己认为最理想的一个,并不答应,也不拒绝。她把其余向她求婚的男士都婉言拒绝掉。

经过了若干轮求婚之后,在某一轮,幸运的事情发生了:所有的女士都恰好有一个求婚者,所有的男士都找到一个心仪的对象。主持人将继续指出这个配对方式的神奇之处:没有任意的两个配对,比方说男士A和女士a配对,男士B和女士b配对,使得在A心目中b较a更理想,而且在b心目中A较B更理想(这样A和b就会"私奔")。因此,主持人总结说,这个配对是非常合理的。(他知道,这种情况是一定会发生的。)

主持人在节目之前已经知道男士和女士之间的偏爱情况,他想预先知道最后的匹配结果是怎么样的,你能帮帮他吗?

Input

 第一行包括一个数字N(1<=N<=1000)
以下N*2行,每行有N个数字。第i+1行(1<=i<=N)表示编号为i的男士对女士们的排序(从最喜欢的到最不喜欢的)。第N+j+1行(1<=j<=N)表示编号为j的女士对男士们的排序(同样从最喜欢的到最不喜欢的)。

Output

N行,每行包括一个数字。第i行的数字表示与编号为i的男士匹配的女士的编号。

Sample Input

3
1 2 3
2 3 1
2 1 3
3 2 1
2 3 1
2 3 1

Sample Output

3
2
1

Problem Source

ZSUACM Team Member

// Problem#: 1224
// Submission#: 3281313
// The source code is licensed under Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported License
// URI: http://creativecommons.org/licenses/by-nc-sa/3.0/
// All Copyright reserved by Informatic Lab of Sun Yat-sen University
#include <stdio.h>
#include <iostream>
#include <vector>
#include <string>
#include <stack>
#include <iomanip>
#include <algorithm>
#include <queue>
#include <functional>
using namespace std;

const int MAX_N = 1005;

int N;
int men[MAX_N][MAX_N];
int women[MAX_N][MAX_N];
int point[MAX_N][MAX_N];
int menChoose[MAX_N];
vector<int> choosed[MAX_N];

int main() {

    std::ios::sync_with_stdio(false);

    cin >> N;
    for (int i = 1; i <= N; i++) {
        for (int j = 1; j <= N; j++) {
            cin >> men[i][j];
        }
    }
    for (int i = 1; i <= N; i++) {
        for (int j = 1; j <= N; j++) {
            cin >> women[i][j];
            point[i][women[i][j]] = N - j;
        }
    }

    for (int i = 1; i <= N; i++) menChoose[i] = 1;

    while (1) {
        bool shouldEnd = true;
        for (int i = 1; i <= N; i++) choosed[i].clear();
        for (int i = 1; i <= N; i++) {
            choosed[men[i][menChoose[i]]].push_back(i);
        }
        for (int i = 1; i <= N; i++) {
            if (choosed[i].size() > 1) {
                shouldEnd = false;
                break;
            }
        }
        if (shouldEnd) break;
        for (int i = 1; i <= N; i++) {
            int s = choosed[i].size();
            if (s > 1) {
                int MaxPoint = -1;
                int MaxPos = -1;
                for (int j = 0; j < s; j++) {
                    if (point[i][choosed[i][j]] > MaxPoint) {
                        MaxPoint = point[i][choosed[i][j]];
                        MaxPos = choosed[i][j];
                    }
                }
                for (int j = 0; j < s; j++) {
                    if (choosed[i][j] != MaxPos) menChoose[choosed[i][j]]++;
                }
            }
        }
    }

    for (int i = 1; i <= N; i++) {
        cout << men[i][menChoose[i]] << endl;
    }

    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