Changing Digits poj3373

题目大意:给定两个数据n和k让求出m,使得m可以被k整除,并且m是最优的:m和n的位数相同,不同的数字是最小的,如果不同的数字是相同的则取m的最小值!

大致思路:最优搜索加上记忆化搜索!

sign[l][mod]标记的是在l位置余数为mod找小于等于sign[l][mod]个替换的数字已经不可能了。

从最优开始搜索,所以数字改变的位数从0到n的长度,从最小的小于n的数开始搜索,如果不满足则从最小的大于n的数开始搜索,最先被k整除的m一定是最优解,然后就跳出搜索!

其中还用到了一些技巧,怎样在很短的时间内求出大数除以小数的余数等等,这些都是我以前没有见过的.

发现每次做完题然后等过了一周多就忘记了,看来以后的解题报告要等一段时间再写,可以回顾一下,不能刚做完题就写了!

#include<iostream> 
#include<string>
#include<cstdio>
#include<cmath>
#include<cstring>
#include<algorithm>
#include<queue>
#include<stack>
#include<vector>
#include<climits>
using namespace std; 
#define rep(i,n) for(i=0; i<(n); i++)
#define repf(i,n,m) for(i=(n); i<=(m); i++)//正循环的
#define repd(i,n,m) for(i=(n); i>=(m); i--) //负循环的 
#define fab(a) (a)>0?(a):0-(a)
#define max(a,b) (a)>(b)?(a):(b)
#define min(a,b) (a)<(b)?(a):(b)
#define ll __int64
#define arc(a) (a)*(a)
#define inf 102   //最大值的
#define exp 0.0000001     //浮点型的
#define N   105  //记录开的数组
int dp[N][10];
int sign[N][10000];
int test[N],num[N];
int len,k;
void init()
{
    int i,j; 
    repf(i,0,9)
      dp[1][i]=i%k;
    repf(i,2,len)
     repf(j,0,9)
      dp[i][j]=(dp[i-1][j]*10)%k;
    memset(sign,0,sizeof(sign));
}
bool dfs(int r, int l,int mod )
{
    int i,j;
    if(mod==0)
    { 
        rep(i,len) 
          printf("%d",test[i]); 
        printf("\n");
        return true;
    }
    if(r==0 )
     return false;
    if(l>len-1)
     return false;
     if(sign[l][mod]>=r)//就是在l范围内已经不可以了 
      return false;  
    repf(i,l,len-1)
    {
        repf(j,0,num[i]-1)
        {
            if(i==0 && j==0)
             continue;
             test[i]=j; 
            int temp=mod-dp[len-i][num[i]]+dp[len-i][j]; 
            temp%=k;  
            if(temp<0)
             temp+=k;
            if(dfs(r-1,i+1,temp))
             return true; 
        } 
        test[i]=num[i];
    } 
    repd(i,len-1,l)
    {
      repf(j,num[i]+1,9)
      {
            if(i==0 && j==0)
             continue;
            test[i]=j;
            int temp=mod-dp[len-i][num[i]]+dp[len-i][j];
            temp%=k;
            if(temp<0)
             temp+=k;
            if(dfs(r-1,i+1,temp))
             return true; 
      }
      test[i]=num[i];
    }
    sign[l][mod]=r;
   return false;
}
int main()
{
    int i,j;
    char s[N];
    while(~scanf("%s",s))
    {
        len=strlen(s);
        scanf("%d",&k); 
        init();
        rep(i,len)
         test[i]=num[i]=s[i]-'0';
        int mod=0;
        repd(i,len-1,0)
          mod=(mod+dp[len-i][num[i]])%k;
  //     printf("%d\n",mod);
        for(i=0;;i++)
          if(dfs(i,0,mod))
           break;
    }
    return 0;
} 


【6层】一字型框架办公楼(含建筑结构图、计算书) 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。
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

打赏作者

淡定的小Y

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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