NYOJ 19 擅长排列的小明 STL类next_permutation函数的使用

本身这道题可以用DFS来实现,但为了学习使用next_permutation函数,因此本文中不用DFS

在说这道题目之前,我先介绍一下next_permutation函数的使用方法

/*
bool next_permutation(iterator start, iterator end);
包含在头文件#include<algorithm>中
全排列的函数,函数中的两个参数是迭代器,返回的值是bool类型,
作用是将一个序列进行一次排列,排成比原序列大一个字典序的序列,并返回true
如果没有比原序列字典序更大的序列,那么将返回false
*/

//备注:如果想要得到所有的排列,需起始序列的字典序最小,否则要进行升序排序(可以使用sort函数)
#include<iostream>
#include<cstring>
#include<algorithm>
using namespace std;
char a[10]="abcd";
int main()
{
	int len=strlen(a);
	do
	{
		for(int i=0;i<len;i++)
		{
			cout<<a[i]<<" ";
		}
		cout<<endl;
	}while(next_permutation(a,a+len));
	return 0;
}

接下来以南阳OJ的19题为例进一步使用这个函数

擅长排列的小明

时间限制: 1000 ms  |  内存限制: 65535 KB
难度: 4
描述
小明十分聪明,而且十分擅长排列计算。比如给小明一个数字5,他能立刻给出1-5按字典序的全排列,如果你想为难他,在这5个数字中选出几个数字让他继续全排列,那么你就错了,他同样的很擅长。现在需要你写一个程序来验证擅长排列的小明到底对不对。
输入
第一行输入整数N(1<N<10)表示多少组测试数据,
每组测试数据第一行两个整数 n m (1<n<9,0<m<=n)
输出
在1-n中选取m个字符进行全排列,按字典序全部输出,每种排列占一行,每组数据间不需分界。如样例
样例输入
2
3 1
4 2
样例输出
1
2
3
12
13
14
21
23
24
31
32
34
41
42
43

#include<iostream>
#include<algorithm>
#include<string>
using namespace std;
int main()
{
	string str="123456789";
	int N;
	cin>>N;
	while(N--)
	{
		int n,m;
		cin>>n>>m;
		string str1=str.substr(0,n);
		string str2=str1.substr(0,m);
		cout<<str2<<endl;
		while(next_permutation(str1.begin(),str1.end()))
		{
			string str3=str1.substr(0,m);
			if(str2==str3)
				continue;
			else
			{
				cout<<str3<<endl;
				str2=str3;
			}
		}
	}
	return 0;
}

时间用的会比DFS长,但代码长度会变短,也更容易理解。如果条件允许的话,不妨使用这个函数

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