$POJ2893$ $M \times N$ $Puzzle$

链接

背景

这题其实是 奇数码问题, \(AcWing108/CH0503\) 的原版,\(POJ\) \(Monthly\) \(2006.7.30\) \(H\)题, \(POJ2893\)

题意

给定 \(m \times n\)\(m,n\) 为整数, \(2 \leqslant m,n \leqslant 999\) )的棋盘,上面有 \(m \times n-1\) 个数和一个空格。给出一个局面,每次仅允许交换空格和其四周相邻的一个数(如果有的话),问是否有办法将这个局面移动为目标局面(空格在最后一行最后一列,其余格 \((i,j)\) 上的数为 \((i-1)*m+j\) )。

解法

将棋盘上的数一行一行取出排成一列(空格不取),可以得到一个序列。
思考操作的数学意义。左右交换空格和数字对该序列的逆序对数毫无影响。而上下交换空格和数字则会交换序列中 \(n-1\) 个数的位置。又由于 \(n\) 为整数,所以 \(n-1\) 需要分类讨论。
设交换前有 \(a\) 个数小于交换的数 \(x\) ,有 \(b\) 个数大于 \(x\)\(a+b=n-1\)\(a \not= b\) )。则交换前交换的数的逆序对数为 \(a\) ,交换后交换的数的逆序对数为 \(b\) 。若 \(a < b\) ,则逆序对数增加了 \(b-a\) ,否则逆序对数减少了 \(a-b\)
\(n\) 为奇数时, \(n-1\) 为偶数,则交换前后逆序对数的变化一定为偶数。两个局面能够从一个操作成另一个当且仅当两个局面对应的序列的逆序对数奇偶性相同,否则一定不能转化。奇偶性相同为充要条件,其必要性十分容易说明,但充分性 \(\cdots \cdots\) 具体证明过程较长,这里不再展开。又因为目标局面的逆序对数为 \(0\) ,所以原序列的逆序对数为奇数时,不能达成目标,否则可以。
\(n\) 为偶数时, \(n-1\) 为奇数,每次交换前后逆序对数的变化一定为奇数。算出上下交换的次数(原局面和完美局面空格相差的行数) \(p\) 。设原序列的逆序对数为 \(q\) ,当 \(p\)\(q\) 奇偶性相同时,可以达成目标,否则不能。
然后对原局面归并排序求逆序对数即可。时间复杂度为 \(O(n^2)\) 。(瓶颈在读入)树状数组求逆序对的时间复杂度是 \(O((n+m)\) \(log\) \(n)\)\(m\) 为数值范围大小),本题中 \(m = 998001\) ,故也可以通过本题。喜欢写哪个就写哪个呗 \(QAQ\)

\(trick\)

\(1.\) 先把情况分析讨论清楚再开始写 \(code\)

\(2.\) 目标局面显然逆序对为 \(0\) ,无需建序列求逆序对。

细节

\(1.\) 题面的网格为 \(m \times n\) 而不是 \(n \times m\) 。(好傻逼的错误啊)

代码

我也不知道怎么肥四,反正这篇 \(blog\) 的代码框就是合不了,然后一堆 \(bug\) 神马的 \(\cdots \cdots\) ,所以就不收起来了,泥萌自己看吧 \(QwQ\)

#include<iostream>
#include<cstdio>
#include<cstdlib>
#include<cstring>
#include<cmath>
#include<algorithm>
using namespace std;
inline int read()
{
    int ret=0,f=1;
    char ch=getchar();
    while(ch>'9'||ch<'0')
    {
        if(ch=='-')
            f=-1;
        ch=getchar();
    }
    while(ch>='0'&&ch<='9')
    {
        ret=(ret<<1)+(ret<<3)+ch-'0';
        ch=getchar();
    }
    return ret*f;
}
int n,m,sp,tmp,k,rr,a[998005],b[998005];
long long ans;
void msort(int l,int r,int mid)
{
    if(l==r)
        return;
    msort(l,mid,(l+mid)>>1);
    msort(mid+1,r,(mid+1+r)>>1);
    int i=l,j=mid+1;
    for(register int k=l;k<=r;k++)
    {
        if(j>r||(i<=mid&&a[i]<a[j]))
            b[k]=a[i++];
        else
        {
            ans+=mid-i+1;
            b[k]=a[j++];
        }
    }
    for(register int k=l;k<=r;k++)
        a[k]=b[k];
}
int main()
{
    while(1)
    {
        m=read();
        n=read();
        if((!m)&&(!n))
            break;
        k=0;
        for(register int i=1;i<=m;i++)
        {
            for(register int j=1;j<=n;j++)
            {
                tmp=read();
                if(tmp)
                    a[++k]=tmp;
                else
                    sp=i;
            }
        }
        sp=m-sp;
        ans=0;
        rr=m*n-1;
        msort(1,rr,(1+rr)>>1);
        if(n&1)
        {
            if(ans&1)
                puts("NO");
            else
                puts("YES");
        }
        else
        {
            if((sp+ans)&1)
                puts("NO");
            else
                puts("YES");
        }
    }
    return 0;
}

转载于:https://www.cnblogs.com/Peter0701/p/11250950.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