[Noi2014]随机数生成器

题面

传送门

Sol

这道题卡空间。。。
先模拟出T,大力贪心,每次选最小的走显然最优
那么选了\((i, j)\)它上面都只能选第\(j\)列以前的,它下面都只能选第\(j\)列以后的
每次选最小,更新每行能选的区间,判断即可

# include <bits/stdc++.h>
# define RG register
# define IL inline
# define Fill(a, b) memset(a, b, sizeof(a))
using namespace std;
typedef long long ll;
const int _(25000005);

IL ll Read(){
    RG char c = getchar(); RG ll x = 0, z = 1;
    for(; c < '0' || c > '9'; c = getchar()) z = c == '-' ? -1 : 1;
    for(; c >= '0' && c <= '9'; c = getchar()) x = (x << 1) + (x << 3) + (c ^ 48);
    return x * z;
}

int n, m, q, X[_], T[_], len, l[5010], r[5010];

int main(RG int argc, RG char* argv[]){
    X[0] = Read(); RG int A = Read(), B = Read(), C = Read(), D = Read(); n = Read(); m = Read(); q = Read(); len = n * m;
    for(RG int i = 1; i <= len; ++i) X[i] = (1LL * A * X[i - 1] % D * X[i - 1] % D + 1LL * B * X[i - 1] % D + C) % D;
    for(RG int i = 1; i <= len; ++i) T[i] = i;
    for(RG int i = 1; i <= len; ++i) swap(T[i], T[X[i] % i + 1]);
    for(RG int i = 1, x, y; i <= q; ++i) x = Read(), y = Read(), swap(T[x], T[y]);
    for(RG int i = 1; i <= len; ++i) X[T[i]] = i;
    for(RG int i = 1; i <= n; ++i) l[i] = 1, r[i] = m;
    for(RG int i = 1, tot = 0; i <= len && tot < n + m; ++i){
        RG int x = (X[i] + m - 1) / m, y = X[i] % m; if(!y) y += m;
        if(l[x] <= y && r[x] >= y){
            ++tot; printf("%d", i); if(tot != n + m - 1) printf(" ");
            for(RG int j = x + 1; j <= n; ++j) l[j] = max(l[j], y);
            for(RG int j = 1; j < x; ++j) r[j] = min(r[j], y);
        }
    }
    return 0;
}

转载于:https://www.cnblogs.com/cjoieryl/p/8325902.html

深度学习是机学习的一个子领域,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,一个生成和一个判别,它们相互竞争,生成生成数据,判别评估数据的真实性。 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