【题解】CF570E:Pig and Palindromes

本文探讨了在解决特定问题时,如何通过去除冗余状态和优化时间复杂度来改进动态规划算法。具体展示了如何将五维状态空间压缩为三维,以及通过滚动数组减少空间需求的方法。

原题传送门
DP
显然的状态, d p [ s t p ] [ x 1 ] [ y 1 ] [ x 2 ] [ y 2 ] dp[stp][x1][y1][x2][y2] dp[stp][x1][y1][x2][y2]表示走了 s t p stp stp步,从左上角走到了 ( x 1 , y 1 ) (x1,y1) (x1,y1),从右下角走到了 ( x 2 , y 2 ) (x2,y2) (x2,y2),的答案
然后可以大力枚举+四个方向大力转移搞定

然后发现时空复杂度非常优秀,双双爆炸
怎么办呢

发现知道了 s t p , x 1 , x 2 stp,x1,x2 stp,x1,x2时, y 1 , y 2 y1,y2 y1,y2可以算出来, y 1 , y 2 y1,y2 y1,y2算是状态的冗余,直接去掉
x 1 − 1 + y 1 − 1 = s t p − − − > y 1 = s t p − x 1 + 2 x1-1+y1-1=stp--->y1=stp-x1+2 x11+y11=stp>y1=stpx1+2
n − x 2 + m − y 2 = s t p − − − > y 2 = n + m − x 2 − s t p n-x2+m-y2=stp--->y2=n+m-x2-stp nx2+my2=stp>y2=n+mx2stp
三次方的时间复杂度过得去,空间上可以继续优化
当前步只与上一步有关,所以第一维滚动掉

Code:

#include <bits/stdc++.h>
#define maxn 510
#define qy 1000000007
#define LL long long
using namespace std;
char mp[maxn][maxn];
LL n, m, dp[2][maxn][maxn];

int main(){
	scanf("%d%d", &n, &m);
	for (int i = 1; i <= n; ++i) scanf("%s", mp[i] + 1);
	if (mp[1][1] != mp[n][m]){ puts("0"); return 0; }
	int stp = (n + m - 2) >> 1;
	dp[0][1][n] = 1;
	for (int i = 1; i <= stp; ++i){
		int now = i & 1, pre = now ^ 1;
		memset(dp[now], 0, sizeof(dp[now]));
		for (int x1 = 1; x1 <= i + 1; ++x1)
			for (int x2 = n; x2 >= n - i; --x2){
				int y1 = i - x1 + 2, y2 = n + m - x2 - i;
				if (x1 > x2 || y1 > y2) continue;
				if (mp[x1][y1] != mp[x2][y2]) continue;
				dp[now][x1][x2] = ((dp[pre][x1][x2] + dp[pre][x1 - 1][x2 + 1]) % qy + (dp[pre][x1 - 1][x2] + dp[pre][x1][x2 + 1]) % qy) % qy;
			}
	}
	LL ans = 0;
	if ((n + m) & 1){
		for (int i = 1; i <= n; ++i) (ans += (dp[stp & 1][i][i] + dp[stp & 1][i][i + 1]) % qy) %= qy;
		printf("%lld\n", ans);
	} else{
		for (int i = 1; i <= n; ++i) (ans += dp[stp & 1][i][i]) %= qy;
		printf("%lld\n", ans);
	}
	return 0;
}
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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