# 交换茸角 状态DP 思路清奇

交换茸角 状态DP 思路清奇


问题:
动物园里有 $n $头麋鹿。每头麋鹿有两支茸角,每支茸角有一个重量。

然而,一旦某头麋鹿上两支茸角的重量之差过大,这头麋鹿就会失去平衡摔倒。为了不然这种悲剧发生,动物园院长决定交换某些茸角,使得任意一头麋鹿的两角重量差不超过$ c$。
然而,交换两支茸角十分麻烦,不仅因为茸角需要多个人来搬运,而且会给麋鹿造成痛苦。因此,你需要计算出最少交换次数,使得任意一头麋鹿的两角重量差不超过 \(c\)

注意,交换两支茸角只能在两头麋鹿之间进行。因为交换同一头麋鹿的两支角是没有意义的。


解:
这道题思路真的不容易想到
首先我想了半天 发现普通的状态无法推导

然后我看了一眼题解 还是 感觉 思路真的难想到

首先 我们应该先抛开 最小交换的条件 而去考虑不满足条件的因素
我们贪心一下
显然就是 排完序后 两两 之差 \(>c\)
满足条件的情况 就是 两两之差 \(<=c\)

然后我们考虑 状态压缩 首先我们先设 f[i]为 集合i 里面都满足条件的最小步数

  • 对于集合里面不满足条件的 显然是 inf
  • 对于集合里面满足条件的 是0
  • 而 满足条件但是原来不满足的 设为集合个数 sum-1

\(f[i]=min(f[j]+\)\(f[i\)^\(j])\);

考虑区间合并

这道题另一个思路清奇的地方
为什么这么做是对的,所以 我们可以对于那些需要全部交换的,答案就是sum-1
而对那些有的不需要交换的 可以通过子集递推

code:

//
#include<bits/stdc++.h>
using namespace std;
#define maxnn 1000000
int n;
int a1[maxnn],a2[maxnn];
int tmp[maxnn];
int tot=0;
int f[maxnn];
int all=0;
#define inf 10000000
int c;
int main()
{
    cin>>n>>c;
    all=(1<<n)-1;
    for(int i=1;i<=n;i++)
    {
        scanf("%d",&a1[i]);
        scanf("%d",&a2[i]);
    }
    for(int s=0;s<=all;s++)
    {
        tot=0;
        int ty=0;
        int fla1=1;
        for(int i=1;i<=n;i++)
        {
            if(s&(1<<i-1))
            {
                ty++;
                tmp[++tot]=a1[i];
                tmp[++tot]=a2[i];
                if(abs(a1[i]-a2[i])>c) fla1=0;
            }
        }
        sort(tmp+1,tmp+1+tot);
        int fla=1;
        for(int i=tot;i>=2;i-=2)
        {
            if(tmp[i]-tmp[i-1]>c)
            {
                fla=0;
            }
        }
        if(fla==0) f[s]=inf;
        else 
        if(fla1==1) f[s]=0;
        else
        f[s]=ty-1;
    }
    for(int s=0;s<=all;s++)
    {
        for(int i=s;i;i=(i-1)&s)
        {
            int k=s^i;
            f[s]=min(f[s],f[i]+f[k]);
        }
    }
    if(f[all]!=inf) cout<<f[all];
    else cout<<-1;
    
    
    
}

转载于:https://www.cnblogs.com/OIEREDSION/p/11454743.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