洛谷P1850 换教室

令人印象深刻的状态转移方程...

f[i][j][0/1]表示前i个换j次,第i次是否申请时的期望。

注意可能有重边,自环。

转移要分类讨论,距离是上/这次成功/失败的概率乘相应的路程。

从上次的0/1中取min

 

 1 #include <cstdio>
 2 #include <cstring>
 3 #include <algorithm>
 4 const int N = 310, M = 2010;
 5 const double INF = 1.0 * 0x3f3f3f3f;
 6 
 7 inline void read(int &x) {
 8     x = 0;
 9     char c = getchar();
10     while(c > '9' || c < '0') {
11         c = getchar();
12     }
13     while(c >= '0' && c <= '9') {
14         x = (x << 1) + (x << 3) + c - 48;
15         c = getchar();
16     }
17     return;
18 }
19 
20 int G[N][N], a[M], b[M];
21 double k[M], f[M][M][2];
22 
23 int main() {
24     int n, m, v, e;
25     read(n);
26     read(m);
27     read(v);
28     read(e);
29     for(int i = 1; i <= n; i++) {
30         read(a[i]);
31     }
32     for(int i = 1; i <= n; i++) {
33         read(b[i]);
34     }
35     for(int i = 1; i <= n; i++) {
36         scanf("%lf", &k[i]);
37     }
38     int x, y, z;
39     memset(G, 0x3f, sizeof(G));
40     for(int i = 1; i <= e; i++) {
41         read(x);
42         read(y);
43         read(z);
44         if(G[x][y]) {
45             G[y][x] = G[x][y] = std::min(G[x][y], z);
46         }
47         else {
48             G[x][y] = G[y][x] = z;
49         }
50     }
51 
52     /// floyd
53     for(int i = 1; i <= v; i++) {
54         G[i][i] = 0;
55     }
56     for(int p = 1; p <= v; p++) {
57         for(int i = 1; i <= v; i++) {
58             for(int j = 1; j <= v; j++) {
59                 G[i][j] = std::min(G[i][j], G[i][p] + G[p][j]);
60             }
61         }
62     }
63 
64     for(int i = 1; i <= n; i++) {
65         for(int j = 0; j <= m; j++) {
66             f[i][j][0] = f[i][j][1] = INF;
67         }
68     }
69     f[1][0][0] = f[1][1][1] = 0;
70     for(int i = 2; i <= n; i++) {
71         for(int j = 0; j <= m; j++) {
72             f[i][j][0] = std::min(f[i - 1][j][0] + G[a[i - 1]][a[i]],
73                                   f[i - 1][j][1]
74                                   + G[b[i - 1]][a[i]] * k[i - 1]
75                                   + G[a[i - 1]][a[i]] * (1 - k[i - 1]));
76             if(j) {
77                 f[i][j][1] = std::min(f[i - 1][j - 1][0]
78                                       + G[a[i - 1]][b[i]] * k[i]
79                                       + G[a[i - 1]][a[i]] * (1 - k[i]),
80                                       f[i - 1][j - 1][1]
81                                       + G[b[i - 1]][b[i]] * k[i - 1] * k[i]
82                                       + G[b[i - 1]][a[i]] * k[i - 1] * (1 - k[i])
83                                       + G[a[i - 1]][b[i]] * (1 - k[i - 1]) * k[i]
84                                       + G[a[i - 1]][a[i]] * (1 - k[i - 1]) * (1 - k[i]));
85             }
86         }
87     }
88 
89     double ans = INF;
90 
91     for(int i = 0; i <= m; i++) {
92         ans = std::min(ans, f[n][i][0]);
93         ans = std::min(ans, f[n][i][1]);
94     }
95     printf("%.2lf", ans);
96 
97     return 0;
98 }
AC代码

 

我一开始把ans初值设的是0...

转载于:https://www.cnblogs.com/huyufeifei/p/9665136.html

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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