POJ1635 Subway tree systems

用CodeBlock写题,一个VS党深受折磨,文本编辑器一般般,编译错误的提示死活看不懂

好吧,毕竟是开源的

此题题意:

给出两串含有‘1’和‘0’的字符串,0表示向下搜索,1表示回溯,这样深搜一颗树
深搜完之后问这两棵树是不是同一棵树,因为树的结点顺序不同,所以可以导致树深搜的序列也不同


用最小表示法表示一颗子树

比如样例中的

0010011101001011
有3子树

00100111 01 001011

对子树00100111,有2子树01 0011,对子树0011,有1子树01

(01)(001011)(00100111)

对于所有的子树以最小表示法表示,字典序排序,判断最后的字符串是否相同

#include<cstdio>
#include<algorithm>
#include<iostream>
#include<string>
#include<vector>
using namespace std;
bool cmp(string a,string b)
{
    return a.compare(b)>0;
}
string dfs(string t)
{
    string tmp;
    vector<string>m;//所有的子串
    int i=0;
    int l=0;
    int counter0=0;
    int counter1=0;
    for(;i<t.size();i++)
    {
        if(t[i]=='0')
        {
            counter0++;
        }
        else
        {
            counter1++;
        }
        if(counter0==counter1)
        {
			if(counter0==1)
			{
				tmp=t.substr(l,i-l+1);
			}
			else
			{
            tmp=t.substr(l+1,i-l);
            tmp=dfs(tmp);
            tmp=t[l]+tmp+t[i];
			}
			m.push_back(tmp);
            l=i+1;
        }
    }
    sort(m.begin(),m.end(),cmp);
    tmp.clear();
    for(i=0;i<m.size();i++)
    {
        tmp+=m[i];
    }
    return tmp;
}
int main()
{
    int total;
	cin>>total;
    while(total--)
    {
        string a,b;
        cin>>a>>b;
        a=dfs(a);
        b=dfs(b);
        if(a==b)
        {
            cout<<"same"<<endl;
        }
        else
        {
            cout<<"different"<<endl;
        }
    }
    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