week14 限时大模拟

题意:
众所周知,TT家里有一只魔法喵。这只喵十分嗜睡。一睡就没有白天黑夜。喵喵一天可以睡多次!!每次想睡多久就睡多久╭(╯^╰)╮
喵睡觉的时段是连续的,即一旦喵喵开始睡觉了,就不能被打扰,不然喵会咬人哒[○・`Д´・ ○]
可以假设喵喵必须要睡眠连续不少于 A 个小时,即一旦喵喵开始睡觉了,至少连续 A 个小时内(即A*60分钟内)不能被打扰!
现在你知道喵喵很嗜睡了,它一天的时长都在吃、喝、拉、撒、睡,换句话说要么睡要么醒着滴!
众所周知,这只魔法喵很懒,和TT一样懒,它不能连续活动超过 B 个小时。
猫主子是不用工作不用写代码滴,十分舒适,所以,它是想睡就睡滴。
但是,现在猫主子有一件感兴趣的事,就是上BiliBili网站看的新番。
新番的播放时间它已经贴在床头啦(每天都用同一张时间表哦),这段时间它必须醒着!!
作为一只喵喵,它认为安排时间是很麻烦的事情,现在请你帮它安排睡觉的时间段。
input:
多组数据,多组数据,多组数据哦,每组数据的格式如下:
第1行输入三个整数,A 和 B 和 N (1 <= A <= 24, 1 <= B <= 24, 1 <= n <= 20)
第2到N+1行为每日的新番时间表,每行一个时间段,格式形如 hh:mm-hh:mm (闭区间),这是一种时间格式,hh:mm 的范围为 00:00 到 23:59。注意一下,时间段是保证不重叠的,但是可能出现跨夜的新番,即新番的开始时间点大于结束时间点。

保证每个时间段的开始时间点和结束时间点不一样,即不可能出现类似 08:00-08:00 这种的时间段。时长的计算由于是闭区间所以也是有点坑的,比如 12:00-13:59 的时长就是 120 分钟。

不保证输入的新番时间表有序。
output:
我们知道,时间管理是一项很难的活,所以你可能没有办法安排的那么好,使得这个时间段满足喵喵的要求,即每次睡必须时间连续且不少于 A 小时,每次醒必须时间连续且不大于 B 小时,还要能看完所有的番,所以输出的第一行是 Yes 或者 No,代表是否存在满足猫猫要求的时间管理办法。
然后,对于时间管理,你只要告诉喵喵,它什么时候睡觉即可。

即第2行输出一个整数 k,代表当天有多少个时间段要睡觉

接下来 k 行是喵喵的睡觉时间段,每行一个时间段,格式形如 hh:mm-hh:mm (闭区间),这个在前面也有定义。注意一下,如果喵喵的睡眠时段跨越当天到达了明天,比如从23点50分睡到0点40分,那就输出23:50-00:40,如果从今晚23:50睡到明天早上7:30,那就输出23:50-07:30。
输出要排序吗?(输出打乱是能过的,也就是说,题目对输出的那些时间段间的顺序是没有要求的)
哦对了,喵喵告诉你说,本题是 Special Judge,如果你的输出答案和 Sample 不太一样,也可能是对的,它有一个判题程序来判定你的答案(当然,你对你自己的答案肯定也能肉眼判断)
思路:
创建一个结构体进行记录番开始的时间和结束的时间。如果结束的时间小于开始的时间,则跨夜了,需要在结束的时间上加上一天的分钟数。如果番的使劲按大于醒着的最大时间,直接判断不能。将输入的时间按顺序进行排序,通过判断番的时长与猫醒着与睡觉的时长,判断结果。
代码:

#include<iostream>
#include<algorithm>
using namespace std;
const int day=24*60;
struct node{
	int s,e;
}t[25],ans[25];
bool cmp(const node &te,const node &re)
{
	return te.s<re.s;
}
void num(string s,int &a,int &b)
{
	a=(s[0]-'0')*10+(s[1]-'0');
	a=a*60+(s[3]-'0')*10+s[4]-'0';
	b=(s[6]-'0')*10+(s[7]-'0');
	b=b*60+(s[9]-'0')*10+s[10]-'0';
	if(b<a)
	{
		b+=day;
	}
}
void print(int i)
{
	int s=ans[i].s,e=ans[i].e;
	int h1=s/60,m1=s%60;
	int h2=e/60,m2=e%60;
	if(h1>=24) h1-=24;
	if(h2>=24) h2-=24;
	if(h1<10) cout<<0<<h1;
	else cout<<h1;
	cout<<":";
	if(m1<10) cout<<0<<m1;
	else cout<<m1;
	cout<<"-";
	if(h2<10) cout<<0<<h2;
	else cout<<h2;
	cout<<":";
	if(m2<10) cout<<0<<m2;
	else cout<<m2;
	cout<<endl;
}
int main()
{
    int a,b,n,cnt;
	char str[15];
	while(cin>>a>>b>>n)
	{
		a*=60;
		b*=60;
		cnt=1;
		for(int i=1;i<=n;i++)
		{
			cin>>str;
			int m1,m2;
			num(str,m1,m2);
			t[i].s=m1;
			t[i].e=m2;
		}
		sort(t+1,t+n+1,cmp);
		t[n+1].s=t[1].s+day;
		t[n+1].e=t[1].e+day;
		for(int i=1;i<=n;i++)
		{
			if(t[i+1].s-t[i].e-1>=a)
			{
				ans[cnt].s=t[i].e+1;
			    ans[cnt].e=t[i+1].s-1;
			    cnt++;
			}			  
		}
		for(int i=1;i<=cnt-1;i++)
		{
			if(ans[i].s>day&&ans[i].e>day)
			{
				ans[i].s-=day;
				ans[i].e-=day;
			}
		}
		sort(ans+1,ans+cnt,cmp);
		ans[cnt].s=ans[1].s+day;
		ans[cnt].e=ans[1].e+day;
		bool flag=true;
		for(int i=1;i<=cnt-1;i++)
		{
			if(ans[i+1].s-ans[i].e-1>b)
			{
				flag=false;
				break;
			}
		}
		if(flag==false||cnt==1)
		  cout<<"No"<<endl;
		else
		{
			cout<<"Yes"<<endl<<cnt-1<<endl;
			for(int i=1;i<=cnt-1;i++)
			  print(i);
		}
    }
	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