2016 World Final D Clock Breaking

题意:

给一个LCD灯在一个连续时间内的灯的情况,要你确定哪些灯一定亮,一定暗和不确定。


思路:

先预处理出每个灯泡在24*60分钟内的状态,然后用给的时间内不是全亮也不是全暗的灯取匹配,如果没有一个时间点能够匹配,就是invalid。然后在考虑全亮或者全暗的灯,如果有一个匹配位置上那个灯是全亮/暗的,那么那个灯就是不确定的,否则就是坏的。

#include <bits/stdc++.h>

using namespace std;

#define LL long long
#define pii pair<int, int>
#define MP make_pair
#define inf 0x3f3f3f3f
#define mod 1000000007
#define eps 1e-12
#define Pi acos(-1.0)
#define N 5050
#define M 200020
#define PB push_back
#define MP make_pair
#define fi first
#define se second

int num[11][7] = {
	1, 1, 1, 1, 1, 1, 0,
	0, 1, 1, 0, 0, 0, 0,
	1, 1, 0, 1, 1, 0, 1,
	1, 1, 1, 1, 0, 0, 1,
	0, 1, 1, 0, 0, 1, 1,
	1, 0, 1, 1, 0, 1, 1,
	1, 0, 1, 1, 1, 1, 1,
	1, 1, 1, 0, 0, 0, 0,
	1, 1, 1, 1, 1, 1, 1,
	1, 1, 1, 1, 0, 1, 1,
	0, 0, 0, 0, 0, 0, 0,
};
int dx[] = {0, 1, 4, 6, 4, 1, 3};
int dy[] = {1, 3, 3, 1, 0, 0, 1};
int dx2[] = {0, 2, 5, 6, 5, 2, 3};
int dy2[] = {2, 3, 3, 2, 0, 0, 2};

int f[1440 + 150][4][7];
int g[120][4][7];
char s[120][10][30];
int n;
int cnt;
int val[N], all[4][7];
char ans[10][30];

void calc(int a[7], int x) {
	for(int i = 0; i < 7; ++i) a[i] = num[x][i];
}

void calc2(int a[7], int i, int x, int y) {
	for(int k = 0; k < 7; ++k) {
		a[k] = s[i][x + dx[k]][y + dy[k]] == 'X';
	}
}



void init() {
	for(int i = 0; i < 24 * 60 + 150; ++i) {
		int h = i / 60 % 24;
		int m = i % 60;
		calc(f[i][0], h / 10 == 0? 10: h / 10);
		calc(f[i][1], h % 10);
		calc(f[i][2], m / 10);
		calc(f[i][3], m % 10);
	}
}
bool checkm() {
	for(int i = 1; i < n; ++i) {
		if(s[i][2][10] != s[0][2][10]) {
			return 0;
		}
		if(s[i][4][10] != s[0][4][10]) {
			return 0;
		}
	}
	if(s[0][2][10] == 'X') ans[2][10] = '?';
	else ans[2][10] = '0';
	if(s[0][4][10] == 'X') ans[4][10] = '?';
	else ans[4][10] = '0';
	return 1;
}

int main() {
	init();
	scanf("%d", &n);
	for(int i = 0; i < n; ++i) {
		for(int j = 0; j < 7; ++j) {
			scanf("%s", s[i][j]);
		}
		calc2(g[i][0], i, 0, 0);
		calc2(g[i][1], i, 0, 5);
		calc2(g[i][2], i, 0, 12);
		calc2(g[i][3], i, 0, 17);
	}
	for(int i = 0; i < 4; ++i) {
		for(int j = 0; j < 7; ++j) {
			int t = g[0][i][j], f = 1;
			for(int k = 1; k < n; ++k) {
				if(g[k][i][j] != t) {
					f = 0;
					break;
				}
			}
			if(!f) ++cnt;
			else all[i][j] = 1;
		}
	}
	int x = 0, y[4][7], z[4][7];
	memset(y, 0, sizeof y);
	memset(z, 0, sizeof z);
	for(int i = 0; i < 1440; ++i) {
		for(int j = 0; j < 4; ++j) {
			for(int k = 0; k < 7; ++k) {
				if(all[j][k]) continue;
				bool ok = 1;
				for(int u = 0; u < n; ++u) {
					if(f[i + u][j][k] != g[u][j][k]) {
						ok = 0;
						break;
					}
				}
				if(ok) {
					val[i]++;
				}
			}
		}
		if(val[i] == cnt) {
			x++;
			for(int j = 0; j < 4; ++j) {
				for(int k = 0; k < 7; ++k) {
					if(!all[j][k]) continue;
					bool ok = 1;
					for(int u = 0; u < n; ++u) {
						if(f[i + u][j][k] != g[u][j][k]) {
							ok = 0;
							break;
						}
					}
					if(ok) {
						if(g[0][j][k] == 1) y[j][k]++;
						else z[j][k]++;
					}
				}
			}
		}

			 
	}
	for(int i = 0; i < 7; ++i) {
		for(int j = 0; j < 21; ++j) {
			ans[i][j] = '.';
		}
		ans[i][21] = '\0';
	}
	if(x == 0 || !checkm()) {
	 	puts("Impossible");
		return 0;
	}
	for(int i = 0; i < 4; ++i) {
		for(int j = 0; j < 7; ++j) {
			int xx = 0, yy = 0;
			if(i == 1) yy = 5;
			if(i == 2) yy = 12;
			if(i == 3) yy = 17;
			char c;
			if(!all[i][j]) {
				c = 'W';
			}
			else if(g[0][i][j] == 1) {
				if(y[i][j] > 0) c = '?';
				else c = '1';
			}
			else {
				if(z[i][j] > 0) c = '?';
				else c = '0';
			}
			ans[xx + dx[j]][yy + dy[j]] = ans[xx + dx2[j]][yy + dy2[j]] = c;
		}
	}

	for(int i = 0; i < 7; ++i) puts(ans[i]);
	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