HDU 2563 统计问题【递推】

统计问题

Time Limit: 3000/1000 MS (Java/Others)    Memory Limit: 32768/32768 K (Java/Others)
Total Submission(s): 5230    Accepted Submission(s): 3061


Problem Description
在一无限大的二维平面中,我们做如下假设:
1、  每次只能移动一格;
2、  不能向后走(假设你的目的地是“向上”,那么你可以向左走,可以向右走,也可以向上走,但是不可以向下走);
3、  走过的格子立即塌陷无法再走第二次;

求走n步不同的方案数(2种走法只要有一步不一样,即被认为是不同的方案)。
 


 

Input
首先给出一个正整数C,表示有C组测试数据
接下来的C行,每行包含一个整数n (n<=20),表示要走n步。
 


 

Output
请编程输出走n步的不同方案总数;
每组的输出占一行。
 


 

Sample Input
  
  
2 1 2
 


 

Sample Output
  
  
3 7

 

 

解题思路:先理解题目:①可以向三个方向走。

                                            ②走过的格子立即塌陷无法再走第二次,即不能返回。这里的不能返回包括,不能向后走,不能向左右返回(若前一步为左,后一步只能向上或向左)。

 

        分为两种情况考虑:  a(n) 表示最后一步向上走,b(n)表示最后一步向左右走(左右的总数),f(n)表示当前方案总数。f(n)=a(n)+b(n)。

                                              a(n)=a(n-1)+b(n-1) ,因为上一步无论向哪个方向(上左右)走,最后一步都可以向上走。

                                              b(n)=a(n-1)*2+b(n-1),①因为上一步向上走,最后一步可以向左或向右走。

                                                                                        ②若上一步向左(或右)走,最后一步不能返回,只能继续向左(或右)。(最后一步向上的情况已经考虑过了)

                                              f(n)= a(n)+b(n) = a(n-1)+b(n-1)+a(n-1)*2+b(n-1)

                                                   = 2*f(n-1)+a(n-1) 

                                                   = 2*f(n-1)+f (n-2)

                                              由此可得递推关系: f(n)= 2*f(n-1)+f (n-2)

 

递推+打表。 打表的好处在于“一劳永逸” 只需要打一次表,之后都可以用。

#include<stdio.h>
__int64 a[50]={0,3,7};
void f()
{
	int i;
	for(i=3;i<50;i++)
	a[i]=a[i-1]*2+a[i-2];
}
int main()
{
	f(); 
	int c,n;
	scanf("%d",&c);
	while(c--)
	{
		scanf("%d",&n);
		printf("%I64d\n",a[n]);
	}
	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