"岛主" 同学给我出的算法题


问题来源: http://www.cnblogs.com/del/archive/2010/04/09/1708619.html#1798022

问题描述 - 给出几组数值范围, 如:
组一: 2..5
组二: 3..6
组三: 1..8
组四: 2..10
...

然后从每组中选一个数字, 依次排列成一个新的数字, 需要列出所有排列方式.

实现代码:
type
  TArr = array of array[0..1] of Byte;

procedure RangeNums(arr: TArr; List: TStrings);
var
  i,j,x,y,m,n,k,c,count: Integer;
{i,j,x,y 用于循环}
{m,n     分别用于前后循环的次数}
{k       是从数组中取出的值}
{c       是 List 的索引}
{count   是 arr 的维数}
begin
  count := Length(arr);
  for i := 0 to count - 1 do
  begin
    m := 1; n := 1; c := 0;
    {先获取 m、n}
    for j := 0 to count - 1 do
    begin
      if j < i then m := m * (arr[j,1] - arr[j,0] + 1);
      if j > i then n := n * (arr[j,1] - arr[j,0] + 1);
    end;

    {循环与排列}
    if i = 0 then
      for k := arr[i,0] to arr[i,1] do for y := 0 to n - 1 do List.Add(IntToStr(k))
    else begin
      for x := 0 to m - 1 do for k := arr[i,0] to arr[i,1] do for y := 0 to n - 1 do
      begin
        List[c] := List[c] + IntToStr(k);
        Inc(c);
      end;
    end;
  end;
end;

//测试
procedure TForm1.Button1Click(Sender: TObject);
var
  arr: TArr;
  List: TStrings;
begin
  SetLength(arr, 3);
  arr[0,0] := 2; arr[0,1] := 5;
  arr[1,0] := 3; arr[1,1] := 6;
  arr[2,0] := 1; arr[2,1] := 8;

  List := TStringList.Create;
  RangeNums(arr, List);
  List.SaveToFile('C:\Temp\Nums.txt');
  List.Free;
end;

 
 
 
 
 

 

 

  

本例测试结果:
231 232 233 234 235 236 237 238 
241 242 243 244 245 246 247 248 
251 252 253 254 255 256 257 258 
261 262 263 264 265 266 267 268 
331 332 333 334 335 336 337 338 
341 342 343 344 345 346 347 348 
351 352 353 354 355 356 357 358 
361 362 363 364 365 366 367 368 
431 432 433 434 435 436 437 438 
441 442 443 444 445 446 447 448 
451 452 453 454 455 456 457 458 
461 462 463 464 465 466 467 468 
531 532 533 534 535 536 537 538 
541 542 543 544 545 546 547 548 
551 552 553 554 555 556 557 558 
561 562 563 564 565 566 567 568

 
 
 
 
 

 

 

  

转载于:https://my.oschina.net/hermer/blog/319602

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
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