hdu 5110 Alexandra and COS 压线飘过

Alexandra and COS

题意:

给定一个n*m的矩阵,X表示有宝物,否则没有。和q个询问,表示有一个东西在第x行第y列,它的探测范围是从它开始(包括自己)在西北到东北之间(包括)且到它的x距离是d的倍数的X的个数。

想法:

用一个数组记录 第i行 1 ~ j 的 X的个数。每次询问枚举行,发现最大复杂度 500W * 1000 = 5 亿, 大数据一共3组,15亿明显TLE。

其实,5亿的极限数据 是d=1的时候才发生的。如果 d > 3 那么 复杂度就是 500W * 1000 / 3 = 1.6亿,大数据3组,刚刚好5亿。

所以 每个test 先用 1000 * 1000 复杂度 预处理出 第 i 行 第 j 列 能看到的东西。这个可以用递推来做。

我这里是处理了 d <= 3, 但理论上应该能够增大d的分类来 减少 复杂度,但是考虑到d增大 递推关系 也变复杂了,所以就没继续想。

时间刚好卡过,耗时4秒,应该不是正解~献丑献丑。

/*
 *    Author:
 *        Indestinee
 *    Date:
 *        2014.11.22 
 */ 
#include <cmath>
#include <cstdio>
#include <cstring>
#include <iostream>
#include <algorithm>
using namespace std;
#define ll long long
#define cls(a) memset(a,0,sizeof(a))
#define rise(i,a,b) for(int i=a;i<=b;i++)
#define fall(i,a,b) for(int i=a;i>=b;i--)
int n, m, q, x, y, dd;
int a[1001][1001], dp[1001][1001], d[3][1001][1001];
int main()
{
	cls( d ); cls( a );
	while( scanf( "%d %d %d" , &n , &m , &q ) != EOF )
	{
		rise( i , 1 , n )
		{
			getchar();
			dp[i][0] = 0;
			rise( j , 1 , m )
			{
				a[i][j] = ( getchar() == 'X' );
				dp[i][j] = dp[i][j-1] + a[i][j];
			}
		}
		
		if( m > 1 )
			rise( i , 1 , n )
			{
				d[1][i][1] = d[1][i-1][2] + a[i][1] + a[i-1][1];
				rise( j , 2 , m - 1 )
					d[1][i][j] = d[1][i-1][j-1] + d[1][i-1][j+1] - d[1][max(0,i-2)][j] + a[i][j] + a[i-1][j];
				d[1][i][m] = d[1][i-1][m-1] + a[i][m] + a[i-1][m];
			}
		else
			rise( i , 1 , n )
				d[1][i][1] = d[1][i-1][1] + a[i][1];
		
		rise( j , 1 , m )
			d[2][1][j] = a[1][j];
				
		if( m > 3 )
		{
			rise( i , 2 , n )
			{
				rise( j , 1 , 2 )
				{
					d[2][i][j] = d[2][i-2][j+2] + a[i][j];
					rise( k , 1 , j + 1 )
						d[2][i][j] += a[i-2][k];			
				}
				d[2][i][2] += a[max(0,i-4)][1];
				
				rise( j , 3 , m - 2 )
				{
					d[2][i][j] = d[2][i-2][j-2] + d[2][i-2][j+2] - d[2][max(0,i-4)][j] + a[i][j];
					rise( k , j - 1 , j + 1 )
						d[2][i][j] += a[i-2][k]; 
				}
				
				rise( j , m - 1 , m )
				{
					d[2][i][j] = d[2][i-2][j-2] + a[i][j];
					rise( k , j - 1 , m )
						d[2][i][j] += a[i-2][k];
				}
				d[2][i][m-1] += a[max(0,i-4)][m]; 
			}
		}
		else 
			rise( i , 2 , n )
				rise( j , 1 , m )
					d[2][i][j] = d[2][i-2][j] - a[i-2][j] + dp[i-2][m] + a[i][j];		

		while( q -- )
		{
			scanf( "%d %d %d" , &x , &y , &dd );
			int ans = 0;
			if( dd > 2 )
			{
				for( int i = 0 ; i < x ; i += dd )
				{
					ans += dp[x-i][min(y+i,m)] - dp[x-i][max(y-i-1,0)];
				}
				printf( "%d\n" , ans );
			}
			else
				printf( "%d\n" , d[dd][x][y] );			
		}		
	} 
	
	
}



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