CF1252/J Tiling Terrace神奇的动态规划思路

题目要求用三种特定方式覆盖一个包含#和.字符的字符串,每种方式有不同收益,且第一种有限制。通过转换问题,将三种方式简化为两种,利用动态规划求解最大收益。代码实现中需注意避免不可到达的状态转移,确保正确性。
摘要由CSDN通过智能技术生成

题目链接:
https://codeforces.com/problemset/problem/1252/J
题意:有一个长为n的串,每个字符是#或者.中的一个,#不超过50个
有3种覆盖串的方式:(.),(…),(.#.),分别能获得g1,g2,g3的收益,覆盖之间不能重叠
第一种方式不能使用超过K次,问能获得的最大总收益,可以不覆盖完所有n个字符
n<=1e5,0<=g1,g2,g3<=1e3

答案思路:
在这里插入图片描述
在这里插入图片描述
亮点:讲题目中的三种覆盖方式转换成两种覆盖方式,因为考虑到长度为2的板子可以被第一种type-1 tile替换,为什么这么做呢?因为题目加了个限制条件,type-1最多被铺k次,所以如果思考动态规划的转移时,能把他单独分开来,放到转移方程之外,那么问题会好解决很多。

代码实现上的收获,最好还是记录下某个状态可不可以到达,不要从不可到达的状态转移到不可到达的状态
,否者可能会考虑到这些不可到达的状态。代码中的解决是如此的
在这里插入图片描述
在这里插入图片描述
提前把数组初始化为-1,意味着状态都没达到,并且转移的时候还必须判断上一个状态是否已经到达。
注意!!

#include <bits/stdc++.h>
#define LL long long
const int maxn = 1e5 + 10;
LL n,k,G1,G2,G3;
char s[maxn];
LL dp[maxn][55]= {
   0};
using namespace std;
int main()
{
   
    cin>>n>>k>>G1>>G2>>G3;
    scanf("%s",s+1);
    memset(dp,-1,sizeof(dp));
    
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