计蒜客第16题---爬楼梯

本文探讨了通过动态规划优化解决爬楼梯问题的算法。详细介绍了递归方法的不足及改进思路,通过创建数组存储子问题结果,避免了重复计算,显著提高了效率。最后提供了动态规划实现的具体代码示例。

假设你现在正在爬楼梯,楼梯有n级。每次你只能爬1级或者2级,那么你有多少种方法爬到楼梯的顶部?
格式:
第一行输入一个数n(n<=50),代表楼梯的级数。
接下来一行输出你的方法总数。
样例1
输入:
5
输出:
8
很容易想到这道题可以用递归的方法:
分析:假设从底走到第n级的走法有f(n)种,走到第n级有两个方法,一个是从(n-1)级走一步,另一个是从第(n-2)级走两步,前者有f(n-1)种方法,后者有f(n-2)种方法,所以有f(n)=f(n-1)+f(n-2),还有f(0)=1,f(1)=1.
具体实现:

#include<iostream>
using namespace std;
int f(int n) {
  if(n==0 || n==1)
    return 1;
  else
    return f(n-1)+f(n-2);
}
int main() {
  int n;
  cout << f(n) << endl;
  return 0;
}

可惜会超时。
改进的方法:动态规划!
在递归思想的基础下,我们知道存在子问题求解的重复性,运用动规,只需要将子问题求解一次,以后再遇到,直接调用,所以我们新建一个数组用于存储子问题的结果:
将数组元素初始为零,若为新的子问题,我们求解,并把结果赋给对应的数组元素;这样当我们再次遇到相同的子问题,就可以直接调用了。
具体的实现:

#include<iostream>
using namespace std;
int result[100];
int f(int n) {
  int res;
  if(result[n]>0)    //如果大于零,说明该子问题原来已经求过解
    return result[n];   //直接返回对应的数组元素
  if(n==0 || n==1)
    res=1;
  else
    res=f(n-1)+f(n-2);
  result[n]=res;  //每次都将求过解的子问题赋给对应数组元素
  return res;
}
int main() {
  int i, n;
  cin >> n;
  for(i=0;i<=n;i++)
    result[i]=-1;
  cout << f(n);
  return 0;
}

一位朋友提供的方法:
原理:http://blog.sina.com.cn/s/blog_6ea2c6a20100x359.html

#include<iostream>
using namespace std;
struct matrix {
  int a, b, c, d;
  matrix(int a_ = 1, int b_ = 1, int c_ = 1, int d_ = 0) {
    a = a_, b = b_, c = c_, d = d_;
  }
};
static matrix result(1, 0, 1, 0);
matrix operator* (matrix x, matrix y) {
  matrix r;
  r.a = x.a * y.a + x.b * y.c;
  r.b = x.a * y.b + x.b * y.d;
  r.c = x.c * y.a + x.d * y.c;
  r.d = x.c * y.b + x.d * y.d;
  return r;
}
void mul(matrix base, int index) {
  while (index != 0) {
    if(index % 2) result = result * base;
    base = base * base;
    index /= 2;
  }
}
int main() {
  int n;
  cin >> n;
  matrix base(1, 1, 1, 0);
  if (n == 1) {cout << 1; return 0; }
  mul(base, n - 1);
  cout << result.a + result.b << endl;
  return 0;
}

本文为转载,原文地址:http://m.blog.youkuaiyun.com/blog/SYSU_Winky/38077771

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