洛谷P1204 or SSL-1088 USACO 1.2 挤牛奶【离散,暴模,线段树,差分】

链接

https://www.luogu.org/problemnew/show/P1204

大意

n n 个时间段,n个人,每个时间段都已一人挤奶(可能同时进行),每次挤奶有一人从 li l i 挤到 ri r i ,问最大有人挤奶时间段和无人挤奶时间段

思路

分两种(另外两种线段树和差分楼主是一个蒟蒻就不会做了)

洛谷评测记录截图

图片

学校题库评测记录截图

图片
两种算法的差距很明显

时空复杂度对比表

算法时间复杂度空间复杂度
离散 O(nlogn+n) O ( n l o g n + n ) O(2n) O ( 2 n )
暴力 O(max(r)max(l)) O ( m a x ( r ) − m a x ( l ) ) O(max(r)) O ( m a x ( r ) )

很明显当每次挤奶的时间太长时会超时而离散可以轻松通过,且暴力的空间开销明显更大

暴力代码

每次标记就行了

#include<cstdio>
#define min(a,b) (a)<(b)?(a):(b)
#define max(a,b) (a)>(b)?(a):(b)
using namespace std;
bool jmj[1000001];int x,y,n,l=50234567,r,ans1,ans2,f1,f2;
int main()
{
    scanf("%d",&n);//输入
    while(n--)
    {
        scanf("%d%d",&x,&y);
        for(int i=x;i<y;i++) jmj[i]=1;l=min(x,l);r=max(y,r);//保存最大最小时间并标记
    }
    for(int i=l;i<r;i++) 
     if(jmj[i]) f1++,ans1=max(ans1,f1),f2=0;else f2++,ans2=max(ans2,f2),f1=0;//寻找
    printf("%d %d",ans1,ans2);//输出
}

离散代码

开一个结构体维护答案就行了

#include<cstdio>
#include<algorithm>
#define r(i,a,b) for(int i=a;i<=b;i++)
#define o(a) (a.r-a.l)//o为此时间段的长度
using namespace std;int n,at,nat;
struct node
{
    int l,r;
}k[5001],x;
bool cmp(node x,node y){return x.l<y.l;}//排序
int main()
{
    scanf("%d",&n);//输入
    r(i,1,n)
     scanf("%d%d",&k[i].l,&k[i].r);//输入
    sort(k+1,k+1+n,cmp);//排序
    x=k[1];at=o(k[1]);nat=0;
    r(i,2,n)
    {
        if(k[i].l<=x.r)
         x.r=max(k[i].r,x.r) ;//若包含在内就直接更新
        else//否则保存答案并更新新的时间段
        {
            at=max(at,o(x));//保存答案
            nat=max(nat,k[i].l-x.r);//保存答案
            x=k[i];//更新
        }
    }
    printf("%d %d",at,nat);//输出
}
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 1
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