骑行问题

算法实验题 4.2 骑行问题
★问题描述:
小马哥是一名骑行爱好者。他准备骑行 4.5km,从 A 地出发前往 B 地。
从 A 地前往 B 地的路上还有很多的单车一族,假设除小马哥外,其他人的速度总是固定
的。小马哥现在在 A 地,他会在那等待一个也是到 B 地骑行的人,然后跟上他。并且和他同
样的速度前往 B 地。在此期间,如果没有人超过小马哥速度,则小马哥保持速度直到到达目
的地。如果有人骑行速度超过小马哥并且从小马哥身边超过,则小马哥会立即加速跟上速度
更快的人,和他一起骑行。
★实验任务:
假设小马哥到达 A 地时的时刻是 0 秒,给你其它骑行者从 A 点出发时的速度和时刻,请
你计算小马哥到达 B 地时的时刻。
★数据输入:
每组测试数据第一行包含一个整数 N(1 <= N <= 10000),表示从 A 地到 B 地骑行的人
有 N 个。接下来 N 行,每行两个整数 V(0<V<=40)和 T,表示某个骑行者的速度(km/h)以
及该骑行者从 A 点出发时的时刻(秒)。每组测试数据中保证至少包含一个骑行者的 T>=0。
★结果输出:
输出小马哥到达 B 地时的时刻(秒),向上取整。
输入示例 输出示例
4 780
20 0
25 -155
27 190
30 240

 1 #include<stdio.h>
 2 #include<math.h>
 3 #define eps 1e-10
 4 int main()
 5 {
 6     int n,i,j;
 7     double s[10010],t[10010],v[10010][2],len=4500,vm=0,kmh=5.0/18.0;
 8     double si,ti,vmr,sir,tir;
 9     scanf("%d",&n);
10     t[0]=999999999.0;
11     vm=0.0;
12 
13     for(i=1;i<=n;i++){
14         scanf("%lf %lf",&v[i][0],&v[i][1]);
15         v[i][0]*=kmh;//转化为m/s
16         if(v[i][1]<=t[0]&&v[i][1]>=0&&v[i][0]-vm>eps){
17             t[0]=v[i][1];//马哥起步时间
18             vm=v[i][0];//马哥起步速度        
19         }
20     }
21 
22     s[0]=0;//最开始的位置
23     i=0;
24     //printf("起步速度vm=%.2lf t=%.2lf s=%.2lf\n\n",vm,t[0],s[0]);
25     while(s[i]<=4500){
26         i++;
27         sir=45000;
28         tir=999999;
29         vmr=vm;
30         for(j=1;j<=n;j++){
31             if(v[j][0]==vm){
32             //    printf("当前速度是第%d人\n",j);
33                 continue;
34             }
35             si=(v[j][1]-t[i-1]+(s[i-1]/vm))*(vm*v[j][0]/(v[j][0]-vm));
36             ti=(si/v[j][0])+v[j][1];
37             if(si<sir&&si<=4500&&si>s[i-1]&&ti>0&&ti-t[i-1]>eps&&v[j][0]-vm>eps)
38             {
39                 sir=si;
40                 tir=ti;
41                 vmr=v[j][0];
42                 //printf("ti=%.2lf t[i-1]=%.2lf\n",ti,t[i-1]);
43             }
44         //    printf("j=%d s=%.2lf t=%.2lf vmr=%.2lf\n",j,si,ti,vmr);
45         }
46         vm=vmr;
47         s[i]=sir;
48         t[i]=tir;
49         //printf("minlen=%.2lf mintime=%.2lf vm=%.2lf\n\n",s[i],t[i],vm);
50     }
51     double ans=(4500-s[i-1])/vm+t[i-1];
52     printf("%.0lf\n",ceil(ans));
53     return 0;
54 }        

 

转载于:https://www.cnblogs.com/zeze/p/5072406.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