hdu2602 Bone Collector 01背包问题

本文详细介绍了01背包问题的解决方法,通过两种不同的实现方式(二维数组和一维数组)来阐述如何在有限的背包容量下获得最大的骨头价值。提供了完整的C语言代码示例。

题目大意:
给出骨头的价值和重量,用体积为V的背包装这些骨头,求最大价值

大致思路:
这里为01背包的讲解
http://blog.youkuaiyun.com/Remilitarize/article/details/55666889

C:(二维数组)

#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;
const int maxn=1010;
int value[maxn],weight[maxn];
int dp[maxn][maxn];
int main(){
    int n;
    while(scanf("%d",&n)!=EOF){
        while(n--){
            int a,b,i,j;
            scanf("%d%d",&a,&b);      //a为骨头数量,b为背包容量
            memset(dp,0,sizeof(dp));      //初始化
            for(i=1;i<=a;i++)
                scanf("%d",&value[i]);
            for(i=1;i<=a;i++)
                scanf("%d",&weight[i]);
            for(i=1;i<=a;i++)          //选取第i个骨头
                for(j=0;j<=b;j++)      //当前背包容量为j
                    if(j>=weight[i])    //如果第i个骨头能够装入背包
                        dp[i][j]=max(dp[i-1][j],dp[i-1][j-weight[i]]+value[i]);        
/*不装骨头为dp[i-1][j],
装骨头为把第i个骨头的重量去掉对应容量的dp[i-1][j-weight[i]并加上这个骨头的价值value[i]*/
                    else
                        dp[i][j]=dp[i-1][j];
            printf("%d\n",dp[a][b]);   
         //a个骨头全部装进去并当前容量为b的最大价值
        }
    }
    return 0;
}

C:(一维数组)

#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;
const int maxn=1010;
int value[maxn],weight[maxn];
int dp[maxn];
int main(){
    int n;
    while(scanf("%d",&n)!=EOF){
        while(n--){
            int a,b,i,j;
            scanf("%d%d",&a,&b);
            memset(dp,0,sizeof(dp));
            for(i=1;i<=a;i++)
                scanf("%d",&value[i]);
            for(i=1;i<=a;i++)
                scanf("%d",&weight[i]);
            for(i=1;i<=a;i++)
                for(j=b;j>=weight[i];j--)   //注意要从后向前
                    dp[j]=max(dp[j],dp[j-weight[i]]+value[i]);
            printf("%d\n",dp[b]);
        }
    }
    return 0;
}
训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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