【B-Station】解题报告

                                 B-Station 

试题描述 

    在离著名的国家Berland 不远的地方,有一个水下工作站。这个工作站有N 
层。已知:是第i 层装有W  的水,最多可以容纳L  的水,恐怖分子炸毁第i 层 
                           i                      i 

的代价是P 。第i 层一旦被炸毁,该层所有的水都将倾泻到第i+1 层。如果某一 
           i 

层的水量超过了它的容量(即L ),那么该层就将自动被毁坏,所有的水也会倾泻 
                              i 

到下一层。 
    Pivland 的恐怖分子想要用最少的钱毁掉第N 层,现在他雇佣你来计算,需 
要炸毁哪些层。 
输入 

    第一行有一个自然数N(1<=n<=15000) 。接下来的N 行,每行3 个整数Wi, Li, 
Pi(0<=Wi,Li,Pi<=15000) 。 

输出 

    输出需要炸毁的层的编号。 

样例 

Input 
3 
1000 1000 1 
0 1000 2 
2 10 100 

Output 
1 
2 

考试题第二题

这道题我用朴素深搜方法过了5组。


逼近解的思路和欧教讲的差不多。

1、可以证明,所有被破坏的楼层是一个完整区间(中间不会有断开的地方)

2、从枚举的第一个破坏点,向下一个模拟过程。


欧教介绍了一种方法。

从这个方法我联想起了以前的一道国家队选拔赛的题,欧教讲的,要把所有常数移项到一边,变量移项到一边,然后根据变量或常量的单调性来解题。

Bomb[p]]表示要炸的集合。S表示前i层总水量。L是限制

Bomb[p]={p}∪{i |i>p Si-Sp-1<=Li}

移项得

Bomb[p]={p}∪{i |i>p Wi<=Sp-1}

这时候S是p的单调递增函数。

因此就可知随着p的减小,必须被炸掉的楼层数量在减少。


因此考虑使用大根堆,每次将

Sp-2<Wi<=Sp-1的i弹出来,并将p放入堆中。


最后要注意输出的问题。就根据Bomb[p]={p}∪{i |i>p Si-Sp-1<=Li}就好了

记录方案时只需要记录P的值

//======================================================================

这道题我认为。

考察了。数学思维、堆的运用。

这道题的优化在于,对于斜杠部分,朴素方法求解了多次。

实际上不需要考虑,代价的变化,只取决于圆圈部分。

由于S的变化,Sp-2<Wi<=Sp-1的i出堆,就不用枚举了。

总时间复杂度O(nlogn)

//=====================================================================

引用王哥的题解


//容易得知,要炸掉的工作站必然是一個連續的區間[p, n]。

//若存在p'∈[p, n],不被炸掉,
//那麼一定可以只炸掉(p', n]
//且方案更優。

//樸素方法:枚舉所有的p,再枚舉[p, n]中所有的i,
//若(sigma (int k = p; k < i + 1; ++k) W[i]) <= L[i],(*)
//則炸掉i,否則不炸掉i,讓i - 1來引爆i。

//W[i], L[i]的含義如題目中的敘述。

//優化:
//記sum[i] = (sigma (int j = 1; j < i + 1; ++j) P[i]),
//則(*)式變形為:
//sum[i] - sum[p - 1] <= L[i],
//移項,得sum[i] - L[i] <= sum[p - 1]
//(由於在枚舉p時,i相對於p是變量,把變量移到一邊便於分析)
//又記sum[i] - L[i] = tmp[i],
//所以(*)式最終變形為tmp[i] <= sum[p - 1]。

//考慮從p + 1到p的代價變化:
//第p層必須引爆,故代價加上P[i];
//(*)式由tmp[i] <= sum[p]變到了tmp[i] <= sum[p - 1],
//而sum[p - 1] < sum[p],
//所以將原來的滿足tmp[i] > sum[p - 1]的i的P值從代價中減去。

//這裡只需要用大根堆維護出當前方案的所有tmp值,
//每次將tmp值大於sum[p - 1]的堆頂元素不停彈出即可,
//就可以找到最佳方案了。

//======================================================================

错了好多地方。又一次地打错了del,因为没有返回值!!!

大根堆写错了,父亲应该和较小的交换。

交换函数写错了。(a^=b;b^=a;a^=b;)


(DFS版本就不写了)

//========================================================================

#include <cstdio>

long heap[150002];
long size = 0;
long w[150002];
long n;
long p[150002];
long sum[150002];
long l[150002];

void swap(long a,long b)
{
    heap[a] ^= heap[b];
    heap[b] ^= heap[a];
    heap[a] ^= heap[b];
}

void adjust_up(long l)
{
    while ((l>>1)>0)
    {
        if (w[heap[l]]>w[heap[l>>1]])
            swap(l,l>>1);
        else
            break;
        l>>=1;
    }
}

void adjust_down(long l)
{
    while ((l<<=1)<size+1)
    {
        //大根堆,根要跟较大的交换,使较大的在上面
        if (l+1<=size&&w[heap[l + 1]]>w[heap[l]])l++;
        if (w[heap[l]]>w[heap[l>>1]])swap(l,l>>1);
        else break;
    }
}

long del()
{
    if (size==0)
        return -1;
    long tmp = heap[1];
    heap[1] = heap[size];
    size--;
    adjust_down(1);
    return tmp;/删除要返回!!
    
}

void insert(long a)
{
    heap[++size] = a;
    adjust_up(size);
}

long gettop()
{
    return heap[1];
}

int main()
{
    freopen("bstation.in","r",stdin);
    freopen("bstation.out","w",stdout);
    
    scanf("%ld",&n);
    for (long i=1;i<n+1;i++)
    {
        long tmp;
        scanf("%ld%ld%ld",&tmp,l+i,p+i);
        sum[i] = sum[i-1]+tmp;
        w[i] = sum[i]-l[i];
    }
    
    long ans = n;
    long long min = p[n];
    long long now = 0;
    for (long po=n;po>0;--po)
    {
        now+=p[po];
        insert(po);
        while (size>0&&w[gettop()]>sum[po-1]){now-=p[del()];}
        if (now < min)
        {
            ans = po;
            now = min;
        }
    }
    for (long i=ans;i<n+1;i++)
    {
        if (sum[ans-1]>=w[i])
            printf("%ld\n",i);
    }
}


陈样。枚举+剪枝

program BStation;                    {朴素+剪枝,居然比标程快!}
var
  n,i,j,t,k,ans,s:longint;
  w,l,p:array[1..150000] of longint;
//==================================
begin
  assign(input,'BStation.in'); reset(input);
  assign(output,'BStation.out'); rewrite(output);
  read(n);
  for i:=1 to n do read(w[i],l[i],p[i]);
  ans:=p[n]; s:=n; k:=p[n];
  for i:=n-1 downto 1 do             {枚举最早从哪一个点炸~~}
  begin
    t:=w[i];
    if w[i]<=l[i] then k:=p[i] else k:=0;  {可能不炸自己倒塌}
    if k>ans then continue;                {最优性剪枝}
    for j:=i+1 to n do
    begin
      t:=t+w[j];
      if t<=l[j] then
      begin
        k:=k+p[j];
        if k>ans then break;               {继续剪,要剪干净~~}
      end;
    end;
    if ans>k then                          {维护最优值}
    begin
    ans:=k;
    s:=i;
    end;
  end;
  if w[s]<=l[s] then writeln(s);           {输出方案}
  t:=w[s];
  for i:=s+1 to n do
  begin
    t:=t+w[i];
    if t<=l[i] then writeln(i);
  end;
  close(input); close(output);
end.

{
这种方法只有在不会优化的情况下用,不然遇到NB的数据就会被卡~~比如说一个比一个更优,就没法剪~~
其他内容见正确优化的程序中~
from:mz cy
}
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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