zoj 4624

题目分析:有两排灯,每排n个,每个灯亮的概率为p,每个灯之间互不影响,亮了的灯不再灭,问两排中,每排有大于等于m个灯亮的概率。

设dp[ i ][ j ]为第一排亮了i个灯,第二排亮了j个灯,距离目标状态的期望天数。显然 i >= m ,j >= m时 , dp[ i ][ j ] = 0 。

状态转移 :

第一排亮了a个灯,a 在[ 0 , n - i] 之间,第二排亮了b个灯 , b 在[ 0 , n - j ] 之间。

则:

其中概率:


将dp[ i ][ j ]整理到等式的左边即可求出。


int  n , m  ;
double  dp[58][58] ;
double  c[58][58] ;
double  go[58] ,notgo[58] ;

int  main(){
     int i , j  , a , b ;
     c[0][0] = 1 ;
     for(i = 1 ; i <= 50 ; i++){
         c[i][0] = c[i][i] = 1 ;
         for(j = 1 ; j < i ; j++)
             c[i][j] = c[i-1][j] + c[i-1][j-1] ;
     }
     double p  , sum ;
     while(cin>>n>>m>>p){
          if(n == 0 && m == 0 && p== 0) break ;
          memset(dp , 0 , sizeof(dp)) ;
          go[0] = 1.0 ;
          for(i = 1 ; i <= n ; i++)  go[i] = go[i-1]*p ;
          notgo[0] = 1.0 ;
          for(i = 1 ; i <= n ; i++)  notgo[i] = notgo[i-1]*(1.0 - p) ;
          for(i = n ; i >= 0 ; i--){
              for(j = n ; j >= 0 ; j--){
                   if(i >= m && j >= m) continue  ;
                   sum = 1.0 ;
                   for(a = 0 ; a <= n-i ; a++){
                       for(b = 0 ; b <= n-j ; b++){
                           if(a==0 && b==0) continue ;
                           sum += dp[i+a][j+b]* c[n-i][a]*go[a]*notgo[n-i-a]
                                 *c[n-j][b]*go[b]*notgo[n-j-b] ;
                       }
                   }
                   dp[i][j] = sum / (1.0 - notgo[n-i]*notgo[n-j]) ;
              }
          }
          printf("%.6lf\n" , dp[0][0]) ;
     }
     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