[51nod1773]A国的贸易

题目链接:

51nod1773

首先可以很简单的写出每一天的DP转移式:

\(f[i][x]=\sum f[i-1][x\ xor\ k](k=0\ or\ k=2^j,0\le j<n)\)

其中\(f[i][x]\)表示第\(i\)\(x\)国货物数量\((0\le x<2^n)\)

那么因为\(k\)有固定的取值,设数组\(A\)表示当前每个国家的货物量,数组\(B\)满足\(B_k=1\)\(k\)为转移式中符合条件的\(k\),否则\(B_k\)=0)

那么每一次的转移(\((A*B)_k=\sum_{i\ xor\ j=k}A_iB_j\))就可以用\(FWT\)加速。

最后用快速幂加速\(T\)次乘法即可。

时间复杂度 \(O(2^nlog_22^n=n2^n)\)

代码:

#include <cstdio>
#include <cctype>
typedef long long ll;

char In[1<<20],*p1=In,*p2=In;
#define Getchar (p1==p2&&(p2=(p1=In)+fread(In,1,1<<20,stdin),p1==p2)?EOF:*p1++)
inline int Getint()
{
    register int x=0,c;
    while(!isdigit(c=Getchar));
    for(;isdigit(c);c=Getchar)x=x*10+(c^48);
    return x;
}

char Out[12000005],*p3=Out;
char St[15],*Tp=St;
inline void Putint(int x,const char c)
{
    do *Tp++=x%10^48;
    while(x/=10);
    do *p3++=*--Tp;
    while(Tp!=St);
    *p3++=c;
}

int n,t;
int a[1<<20],b[1<<20];
const int Mod=1000000007,Inv2=(Mod+1)>>1;

inline int Pow(ll a,ll b)
{
    ll Res=1;
    for(;b;b>>=1,a=a*a%Mod)
        if(b&1)Res=Res*a%Mod;
    return Res%Mod;
}

void FWT(int *A,int t)
{
    for(register int i=2;i<=n;i<<=1)
        for(register int j=0,h=i>>1;j<n;j+=i)
            for(register int k=0,x,y;k<h;++k)
            {
                x=A[j+k],y=A[j+h+k];
                A[j+k]=(ll)(x+y)*(t==1?1:Inv2)%Mod;
                A[j+h+k]=(ll)(x-y+Mod)*(t==1?1:Inv2)%Mod;
            }
}

int main()
{
    n=Getint(),t=Getint(),b[0]=1;
    for(register int i=0;i<n;++i)b[1<<i]=1;
    n=1<<n;
    for(register int i=0;i<n;++i)a[i]=Getint();
    FWT(a,1),FWT(b,1);
    for(register int i=0;i<n;++i)a[i]=(ll)a[i]*Pow(b[i],t)%Mod;//T次转移的b数组都相同
    FWT(a,-1);
    for(register int i=0;i<n;++i)Putint(a[i],i==n-1?'\n':' ');
    fwrite(Out,1,p3-Out,stdout);
    return 0;
}

转载于:https://www.cnblogs.com/LanrTabe/p/10746642.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