玛利亚∙多斯普拉泽雷斯

公墓一共有 n 个墓地,通过 n−1 条通道相连。 每次,推销员可以在选择一个墓地推销给玛利亚。
但是,考虑很多的玛利亚会尽量否决这个提议。她会选择一个墓地,否决掉它和与它相连的墓地。但 为了礼仪,玛利亚不会选择推销员推销的或者已经被否决的墓地。
同样,为了礼仪,推销员也不会推销已经被否决的墓地。
如果某个被推销的墓地没有被否决,那么销售员就胜利了。否则玛利亚就胜利了。
除此之外,玛利亚可以在任意时间以洪水为借口删除一些通道,每次删除的通道数量也是任意的,不 过删除的通道总数不能超过 K。两个墓地相连意味着这两个墓地由一条通道直接连接。
请判断双方都在最优策略下,谁能获胜。

博弈!!!!!!!

给出一棵树 每次 A 可以选择一个点染 A,B 可以选择一个点把它和与它相邻的点染 B

B 可以在任何时候去掉一些边,但总数不超过一个定值 染过的点不能选择,染色标记可以覆盖

若最后所有点都染 B 色,B 赢,否则 A 赢 .

让我们种下一棵‘树’可以推知:

(1)若原树不存在完美匹配,A 一定赢

A 每次操作可以强迫 B 和他一起染掉一个匹配

最后肯定会剩下孤立点,A 再选这个点就是 A 色了。

(2)如果 K = 0 , N≥ 3 若原树不存在完美匹配,由结论 1,A 赢

若存在,A 可以第一步强迫 B 破坏掉完美匹配的性质,依然 A 赢 

所以贪心看下树有没有完美匹配就好了 

代码如下:

 

#include <cstdio>
#include <algorithm>
#include <vector>
#define FOR(i, l, r) for(int i = l; i <= r; ++i)
#define mp(x, y) make_pair(x, y)

using namespace std;

typedef long long ll;

const int N = 200010;
const ll inf = 1e15;

struct edge{int u, v, lim;} e[N];
bool operator < (edge a, edge b) {return a.lim < b.lim;}

vector<pair<int, ll> > ans;
int n, m, Q, x;
int fa[N], a[N], og[N];
ll up[N];

int find(int x) {return x == fa[x] ? x : fa[x] = find(fa[x]);}

int main()
{
    freopen("poisoning.in" , "r" , stdin);
    freopen("poisoning.out" , "w", stdout);
    
    scanf("%d%d%d", &n, &m, &Q);
    FOR(i, 1, n) 
    {
        scanf("%d", a + i);
        ans.push_back(mp(0, a[i]));
    }
    FOR(i, 1, m) scanf("%d%d%d", &e[i].u, &e[i].v, &e[i].lim);
    FOR(i, 1, n) fa[i] = i, up[i] = a[i], og[i] = 0;
    sort(e + 1, e + m + 1);
    FOR(i, 1, m)
    {
        int p = find(e[i].u), q = find(e[i].v);
        if (p == q) continue;
        og[q] = min(max((ll)og[p], e[i].lim - up[p]), max((ll)og[q], e[i].lim - up[q]));
        up[q] += up[p]; fa[p] = q; ans.push_back(mp(og[q], up[q]));
    }
    
    sort(ans.begin(), ans.end());
    for(int i = 1; i < ans.size(); ++i)
        ans[i].second = max(ans[i].second, ans[i - 1].second);
    while (Q--)
    {
        scanf("%d", &x);
        printf("%d\n", (--upper_bound(ans.begin(), ans.end(), make_pair(x, inf))) -> second + x);
    }
    
    return 0;
}

 

 

其中有许多玄学符号,接下来是网站大全:

vector:https://baike.baidu.com/item/vector/3330482?fr=aladdin

make_pair:https://blog.csdn.net/weixin_42825576/article/details/81571419

operator < (edge a, edge b) {return a.lim < b.lim;}:这是运算符重载

           http://c.biancheng.net/view/2306.html

 

 

 

转载于:https://www.cnblogs.com/qiuheqiuji/p/11178264.html

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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