动态规划(二)

前言:今天看了看例题,渣渣想说有点儿看不懂,emmmm,我来记录一下自己看得比较透彻的题目好啦…

1.最大子段和问题:

题目描述:给定 N (1 <= N <= 100000) 个绝对值不大于 1000 的整数(可能为负数)组成的序列a[1],a[2],a[3],,a[N],求从该序列中取出连续一个子段,使这个子段的和最大。如果某子序列全是负数则定义该子段和为0。求 max{0,a[i]+a[i+1]++a[j]}, (1 <= i<= j <= N)

输入:有一个正整数 N,后面紧跟 N 个绝对值不大于 1000 的整数

输出:最大子段和

样例输入:

5 6 -1 5 4 -7

样例输出:

14

样例分析:所选子段为(6 -1 5 4)即可得到结果14.

状态设计:
dp[i] (1 <= i <= N) 表示以 a[i] 结尾的最大连续子段和。
显然,dp[i] >= 0 (1 <= i <= N)
求解目标:
max{dp[i]} (1 <= i <= N)
状态转移方程:
dp[i] = max{a[i],0}                   (i = 1)
dp[i] = max{dp[i-1] + a[i], 0}  (2 <= i <= N)

代码实现:

变量定义:

int N;
int a[SIZE];
int dp[SIZE];

状态转移过程:

int maxSubSum = 0;
dp[1] = Max(a[1], 0);
int i;
for (i = 2; i <= N; ++i)
    dp[i] = Max(dp[i - 1] + a[i], 0);
for (i = 1; i <= N; ++i)
{
    if (maxSubSum < dp[i])
        maxSubSum = dp[i];
}

2.最大2子段和问题

题目描述:

给出n个整数: A={a1, a2,..., an}, 定义 d(A) 如下: 
要求计算 d(A).
输入:第一行,整数 n(2<=n<=50000). 第二行包含n 个整数 a1, a2, ..., an.(|ai| <= 10000)
输出:每组测试数据输出一行,输出d(A) 的值 .
样例输入:
10
1 -1 2 2 3 -3 4 -4 5 -5
样例输出:
13
算法分析:若采用枚举法,其时间和空间复杂度可想而知。所以该题我们要借鉴最大子段和求出的结果。
状态设计:
dpL[i] 表示以 a[i] 结尾 的最大连续子段和。
dpL[i] = max{∑a[x..i], 0} 1 <= x <= i<= N
显然,dpL[i] >= 0 (1 <= i <= N)
dpR[i] 表示以 a[j] 开始 的最大连续子段和。
dpR[j] = max{∑a[j..y], 0} 1 <= j <= y<= N
显然,dpR[j] >= 0 (1 <= j <= N)

求解目标:max{max{dpL[k]} + max{dpR[l]}} 1 <= k < l<= N
状态转移方程:
dpL[i] = max{a[i],0} (i = 1)
dpL[i] = max{dpL[i 1] + a[i], 0} (2<= i <= N)
dpR[j] = max{a[j],0} (j = N)
dpR[j] = max{dpR[j + 1] + a[j], 0}(1 <= j <= N-1)

3.最大子矩阵和

题目描述:给定 N (1 <= N <= 100) 和一个 N * N 的矩阵,求该矩阵的一个子矩阵,使得子矩阵中所有数字的和最大。求出这个最大值。
输入:一个整数 N ,然后是 N * N 个绝对值不超过 128 的整数
输出:只有一个值,最大子矩阵和
样例输入:
4
0 -2 -7 0
9 2 -6 2
-4 1 -4 1 
-1 8 0 -2
样例输出:
15
算法分析:每次枚举子矩阵最上的行 u 和最下的行 d,再把这个子矩阵每一列的值相加,压缩成一个一维的数组,对这个数组求其最大子段和,这样就相当于把所有最上的行为u 并且最下的行为 d 的最大子矩阵和求出来了。
代码实现:
#include<bits/stdc++.h>
#define N 103
using namespace std;
int fun(int b[N],int n)
{
    int i,max,c;
    c=0;
    max=0;
    for(i=1;i<=n;i++)
    {
        if(c>0) c+=b[i];
        else c=b[i];
        if(max<c) max=c;
    }
    return max;
}
int main()
{
    int i,j,n,max,sum,k;
    int a[N][N],b[N];
    cin>>n;
    for(i=1;i<=n;i++)
    for(j=1;j<=n;j++)
    cin>>a[i][j];
    max=0;
    for(i=1;i<=n;i++)
    {
        for(j=1;j<=n;j++)
        b[j]=0;
        for(j=i;j<=n;j++)
        {
            for(k=1;k<=n;k++)
            b[k]+=a[j][k];
            sum=fun(b,n);
            if(max<sum) max=sum;
        }
    }
    cout<<max<<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(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