luogu P1314 聪明的质监员

题目传送门:https://www.luogu.org/problemnew/show/P1314



题意:

有n件商品,每一件商品都有对应的重量wi和价值vi。现在有m个区间,你需要找到一个W,使得每个区间的价值的和Y最接近S(即|S-Y|最小,|x|表示x的绝对值)

每个区间的价值和计算公式如下



思路:

一看数据范围,就想到二分(因为不会什么算法),可是这有单调性吗?

开始分析题目:随着W的增大,所选的矿石的数量是不上升的(大部分情况还是近似下降的),所以对应的Y值也是不上升的(大部分情况还是近似下降的)。

所以我们得到:

当Y>S 时,需要增大W来减小Y,从而使|Y-S|变小;

当Y=S时,|S-Y|=0;

当Y<S时,需要减小W来增大Y,从而使|Y-S|变大。

所以就可以二分了。

注意再加上前缀和优化一下就可以了(这都是套路)。



代码:

#include<cstdio>
#include<algorithm>
#define LL long long
using namespace std;
	LL s,ans=(LL)1e13;
	int n,m;
	int w[200010],v[200010],a[200010],b[200010];
	LL sum1[200010],sum2[200010];
LL check(int x)
{
	LL tot=0;
	sum1[0]=sum2[0]=0;
	for(int i=1;i<=n;i++)
		sum1[i]=sum1[i-1]+(w[i]>=x),sum2[i]=sum2[i-1]+(w[i]>=x?v[i]:0);
	for(int i=1;i<=m;i++)
		tot+=(sum1[b[i]]-sum1[a[i]-1])*(sum2[b[i]]-sum2[a[i]-1]);
	return tot;
}
int main()
{
	int l=2147483647,r=0,mid;
	scanf("%d %d %lld",&n,&m,&s);
	for(int i=1;i<=n;i++)
	{
		scanf("%d %d",&w[i],&v[i]);
		l=min(l,w[i]);
		r=max(r,w[i]);
	}
	for(int i=1;i<=m;i++)
		scanf("%d %d",&a[i],&b[i]);
	while(l<=r)
	{
		mid=(l+r)>>1;
		LL p=check(mid);
		if(p>s) l=mid+1; else r=mid-1;
		ans=min(abs(p-s),ans);
	}
	printf("%lld",ans);
}

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