CSU暑期集训day04_递推_动态规划

题目:

Consider all the sequences with length (0 <  N < 44), containing only the elements 0 and 1, and no two ones are adjacent (110 is not a valid sequence of length 3, 0101 is a valid sequence of length 4). Write a program which finds the sequence, which is on K-th place (0 <  K < 10 9) in the lexicographically sorted in ascending order collection of the described sequences.

Input

The first line of input contains two positive integers N and K.

Output

Write the found sequence or −1 if the number K is larger then the number of valid sequences.

Sample Input

3    1

Sample Output

000

题目大意:

    给出01字符串的长度,字符串要满足不能有相邻两个1,给出序号k,求出按字典序排列的第k个满足要求的字符串。

解题思路:

    先求出每个长度下满足条件的字符串的个数,用动态规划,设f[i][1]和f[i][0]是长度为i且以1和0开头的满足条件的字符串的数量,如果第一位是1,则第二位一定是0,如果第一位是0,则第二位可以是0和1,所以有转换方程:f[i][1]=f[i-1][0],f[i][0]=f[i-1][1]+f[i-1][0]。初始状态f[1][1]=1,f[1][0]=0。

    知道了各种长度字符串的数量如何求出第k个字符串呢?我们需要求的长度为n的字符串按字典序排列的话一定是首位为“0”的排在前面,后面是首位为“1“的字串,所以如果k小于等于首位为“0”的字符串的数量(f[n][0]),则可以知道目标字符串的首位一定是“0”,在这种情况下,我们知道当首位都是相同的“0”时,剩下的n-1位字符串按字典序仍然是首位(即长度为n的字符串的第二位)为“0”的排在前面,所以继续用这种方式判断首位是否是“0”;那如果判断的结果是k大于首位为“0”的字符串的数量怎么办呢?这时候该位的字符串是“1”,与上面的情况不同的时,这时候要将k的值减去f[n][0],这是因为进行n-1长度的字符串比较时,在首位都为“1”的情况下,这些字符串在整体所有字符串的位置已经位于所有首位为“1”的字符串后面。

代码:

#include <iostream>

using namespace std;

int main(){
    int n;
    long long int k;
    int f[46][2];
    f[1][0]=1;
    f[1][1]=1;
    for(int i=2;i<44;i++){
        f[i][1]=f[i-1][0];
        f[i][0]=f[i-1][1]+f[i-1][0];
    }
    while(cin>>n>>k){
        if(k>f[n][1]+f[n][0]){
            cout<<-1<<endl;
            continue;
        }
        while(n){
            if(f[n][0]>=k)cout<<'0';
            else{
                k=k-f[n][0];
                cout<<'1';
            }
            n--;
        }
        cout<<endl;
    }
    return 0;
}

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