UVA 10128 Queue

UVA_10128

    这个题目一开始用排列组合去想的,比较麻烦,后来看了别人的解题报告,发现用递推去想比较简单。

    先说说排列组合的思路吧,最高的人肯定是挡不住的,然后最高的人把队列分成了两部分,两部分分别从某个方向看过去人数分别为P-1和R-1(因为这个时候我们不考虑最高的人)。由于两部分是对称的,因此我们不妨f[i][j]表示i个人时,从一个方向看过去能够看到j个人的情况种数,这样我们只要把f[i][j]都求出来了,最后再用组合数分一下最高的人两边的人数即可。

    在计算f[i][j]的时候思路也基本一样,由于从一个方向看过去,我们不妨假设从左向右看,这样最高的人还是不会被挡住,左边的人要构成能看到j-1个人的队列,右边的人则无所谓了,怎样站都行,反正被最高的挡住了。这样再用组合数分一下两边的人数即可。

    再说说递推的思路,假设现在队列由i-1个人变成了i个,由于谁后进到队列是无所谓的,不妨假设最矮的人是最后一个进入队列的,那么其所占的位置会有三种情况,第一种情况是站在队首,增加1个在前面能看到的人数,第二种情况是站在队尾,增加1个在后面能看到的人数,第三种情况是站在队伍中间,一共有i-2个位置可以站,但不会增加可见的人数。这样就能得到f[i][j][k]=f[i-1][j-1][k]+f[i][j][k-1]+(i-2)*f[i-1][j][k]。

#include<stdio.h>
#include<string.h>
#define MAXD 15
int N, P, R;
long long int f[MAXD][MAXD];
long long int A(int n)
{
int i;
long long int res = 1;
for(i = 2; i <= n; i ++)
res *= i;
return res;
}
long long int C(int m, int n)
{
int i;
long long int res = 1;
if(m - n < n)
n = m - n;
for(i = 1; i <= n; i ++)
res = res * (m - i + 1) / i;
return res;
}
void prepare()
{
int i, j, k;
memset(f, 0, sizeof(f));
f[0][0] = 1;
for(i = 1; i <= 12; i ++)
for(j = 1; j <= i; j ++)
{
for(k = j - 1; k < i; k ++)
f[i][j] += C(i - 1, k) * f[k][j - 1] * A(i - k - 1);
}
}
void solve()
{
int i, j, k;
long long int res = 0;
for(i = P - 1; N - i >= R; i ++)
res += C(N - 1, i) * f[i][P - 1] * f[N - i - 1][R - 1];
printf("%lld\n", res);
}
int main()
{
int t;
prepare();
scanf("%d", &t);
while(t --)
{
scanf("%d%d%d", &N, &P, &R);
if(P == 0 || R == 0 || P > N || R > N)
printf("0\n");
else
solve();
}
return 0;
}

 

#include<stdio.h>
#include<string.h>
#define MAXD 20
int N, P, Q;
long long int f[MAXD][MAXD][MAXD];
void prepare()
{
int i, j, k;
memset(f, 0, sizeof(f));
f[1][1][1] = 1;
for(i = 2; i <= 13; i ++)
for(j = 1; j <= i; j ++)
for(k = 1; k <= i; k ++)
f[i][j][k] = f[i - 1][j - 1][k] + f[i - 1][j][k - 1] + (i - 2) * f[i - 1][j][k];
}
int main()
{
int t;
prepare();
scanf("%d", &t);
while(t --)
{
scanf("%d%d%d", &N, &P, &Q);
printf("%lld\n", f[N][P][Q]);
}
return 0;
}



转载于:https://www.cnblogs.com/staginner/archive/2011/12/17/2291004.html

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