UOJ #576. 积的第K小数

【题目描述】:

有两个正整数数列,元素个数分别为N和M。从两个数列中分别任取一个数相乘,这样一共可以得到N×M个数,询问这N×M个数中第K小数是多少。
【输入描述】:

第一行为三个正整数N,M和K。

第二行为N个正整数,表示第一个数列。

第三行为M个正整数,表述第二个数列。
【输出描述】:

一个正整数表示第K小数。
【样例输入1】:

2 3 4
1 2
2 1 3

【样例输出1】:

3

【样例输入2】:

5 5 18
7 2 3 5 8
3 1 3 2 5

【样例输出2】:

16

【时间限制、数据范围及描述】:

时间:1s 空间:128M
编号__    N______     M_________  K______________     元素大小(≤)
1   20  20  150     10^4
2   50  50  2000    10^4
3   100     80  5000    10^9
4   200     200     26000   10^9
5   10000   10000   50050000    10^4
6   1000    20000   9500000     10^4
7   1000    20000   10000500    10^9
8   2000    20000   190000  10^9
9   2000    20000   199000  10^9
10  20000   20000   210005000   10^4
11  20000   20000   210000  10^5
12  20000   20000   200000  10^9
13  20000   20000   220000500   10^5
14  20000   20000   199000500   10^9
15  200000  200000  180000  10^4
16  200000  200000  200000  10^9
17  2000    200000  100001500   10^9
18  200000  180000  19550000000     10^5
19  200000  200000  19900010000     10^9
20  200000  200000  20000010000     10^9

本题直接二分一个数,然后在n*m个数中看比这个数小的数的个数是否小于等于k即可.
注意找比这个数小的数时,直接利用排序好的数列的阶梯性质找即可,无需二次二分.

Code:
#include<iostream>
#include<cstdio>
#include<cmath>
#include<cstring>
#include<algorithm>
#include<ctime>
using namespace std;
const int N=200005;
int n,m;
long long k,a[N],b[N];
long long check(long long mid) {
    long long s=0,top=m;
    for(int i=1;i<=n;i++){
        long long now=mid/a[i];
        while(top>0&&b[top]>now){
            top--;
        }
        s+=top;
    }
    return s;
}
int main(){
    scanf("%d%d%lld",&n,&m,&k);
    for(int i=1;i<=n;i++){
        scanf("%lld",&a[i]);
    }
    for(int i=1;i<=m;i++){
        scanf("%lld",&b[i]);
    }
    sort(a+1,a+1+n);
    sort(b+1,b+1+m);
    long long l=a[1]*b[1],r=a[n]*b[m];
    while(l<r) {
        long long mid=(l+r)/2;
        if(check(mid)>=k){
            r=mid;
        }
        else{
            l=mid+1;
        }
    }
    printf("%lld\n",l);
    return 0;
}

转载于:https://www.cnblogs.com/ukcxrtjr/p/11503969.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