洛谷 P1541 乌龟棋

turtle p1541 乌龟棋 P1541 乌龟棋 题目背景 小明过生日的时候,爸爸送给他一副乌龟棋当作礼物。 题目描述 乌龟棋的棋盘是一行NN个格子,每个格子上一个分数(非负整数)。棋盘第1格是唯一的起点,第NN格是终点,游戏要求玩家控制一个乌龟棋子从起点出发走到终点。 乌龟棋中MM张爬行卡片,分成4种不同的类型(MM张卡片中不一定包含所有44种类型的卡片,见样例),每种类型的卡片上分别标有1,2,3,41,2,3,... 阅读详情

目录:

前置知识

题目大意

解题思路

AC 代码


前置知识:

        动态规划(DP),递归,枚举、暴力

题目大意:

        一个长为 n 的棋盘,每走到一个格点,就能获得相应的的得分,开局自动获得第一个格点的得分,有 m 张可以前进的卡片,每场卡片可以前进 k (1 ≤ k ≤ 4) 个格子,每张卡片只能使用一次,问从第一个格点到第 n 个格点最大的得分。

解题思路:

        读一遍题目,你会发现这道题有点像深度优先搜索,也就是暴力,只需要在过程中声明一个sum 数组记录每种牌的数量即可,就像这样:

#include<iostream>
#include<cstdio>
#include<cmath>
#include<algorithm>
#include<map>
#include<vector>
#include<string>
#include<cstring>
#include<queue>//头文件 
using namespace std;
long long n,m,x;
long long ans;//统计答案 
long long sum[101];//统计每种牌的数量 
long long a[10001];//存储每个点的分值
void dfs(long long k,long long m1,long long m2,long long m3,long long m4,long long tot)
{	
	if(m1<0||m2<0||m3<0||m4<0)//小优化 
	{
		return;
	}
	if(k>=n)//边界条件 
	{
		if(k==n)
		{
			ans=max(ans,tot);
		}
		return;
	}
	dfs(k+1,m1-1,m2,m3,m4,tot+a[k+1]);//前进1 
	dfs(k+2,m1,m2-1,m3,m4,tot+a[k+2]);//前进2 
	dfs(k+3,m1,m2,m3-1,m4,tot+a[k+3]);//前进3 
	dfs(k+4,m1,m2,m3,m4-1,tot+a[k+4]);//前进4 
}
int main()
{
	scanf("%lld%lld",&n,&m);//读入 
	for(long long i=1;i<=n;i++)//读入 
	{
		scanf("%lld",&a[i]);//读入 
	}
	for(long long i=1;i<=m;i++)//读入 
	{
		scanf("%lld",&x);//读入 
		sum[x]++;//统计 
	}
	dfs(1,sum[1],sum[2],sum[3],sum[4],a[1]);//暴力DFS 
	printf("%lld\n",ans);//输出 
	return 0;//完结撒花 
}

        结果很明显,会超时(TLE),那要怎么办呢,正常的情况下,我会开始考虑贪心算法,光是想想就能知道贪心策略是错误的。

        那该怎么办呢?我们可以考虑动态规划,如果定义一个五位数组(分别记录第几个格点,前进1的卡牌,前进2的卡牌,前进3的卡牌,前进4的卡牌),肯定是会爆空间的,那就尝试把它压到四维(前进1的卡牌用了几张,前进2的卡牌用了几张,前进3的卡牌用了几张,前进4的卡牌用了几张),这时,又出现了一个问题,该如何计算当前走到了第几格呢,初始时是第 1 格,假设:用了 m1 前进1的卡牌,m2 前进2的卡牌,m3 前进3的卡牌,m4 前进4的卡牌,那么很容易就能知道当前是第几个格点(当前格点为 now ):

                                now= 1 * m1 + 2 * m3 + 3 * m3 + 4 * m4 + 1

        如此一来,就能得到本题目的状态转移方程:

                  f[m1][m2][m3][m4]=max(f[m1][m2][m3][m4],fa[m1-1][m2][m3][m4]+a[now])

                  f[m1][m2][m3][m4]=max(f[m1][m2][m3][m4],fa[m1][m2-1][m3][m4]+a[now])

                  f[m1][m2][m3][m4]=max(f[m1][m2][m3][m4],fa[m1][m2][m3-1][m4]+a[now]) 

                  f[m1][m2][m3][m4]=max(f[m1][m2][m3][m4],fa[m1][m2][m3][m4-1]+a[now]) 

        最后,不要忘记特判 m1 、m2 、m3 、m4 分别等于 0 的时候(直接跳过本次转移就行)。 

AC 代码:

#include<iostream>
#include<cstdio>
#include<cmath>
#include<algorithm>
#include<map>
#include<vector>
#include<string>
#include<cstring>
#include<queue>//头文件 
using namespace std;
long long n,m,x;//n->棋盘格数 m->牌数 
long long sum[101];//统计每种牌的数量 
long long a[10001];//原始数据(即表格) 
long long f[51][51][51][51];//动态规划数组 f 
int main()
{
	scanf("%lld%lld",&n,&m);//读入 
	for(long long i=1;i<=n;i++)//读入 
	{
		scanf("%lld",&a[i]);//读入 
	}
	for(long long i=1;i<=m;i++)//读入 
	{
		scanf("%lld",&x);//读入 
		sum[x]++;//统计每种牌的数量 
	}
	f[0][0][0][0]=a[1];//初始化 
	for(long long m1=0;m1<=sum[1];m1++)//前进1步 
	{
		for(long long m2=0;m2<=sum[2];m2++)//前进2步 
		{
			for(long long m3=0;m3<=sum[3];m3++)//前进3步 
			{
				for(long long m4=0;m4<=sum[4];m4++)//前进4步 
				{
					long long now=m1*1+m2*2+m3*3+m4*4+1;//计算当前是第几个格子 
					if(m1!=0)//特判0
					{
						f[m1][m2][m3][m4]=max(f[m1][m2][m3][m4],f[m1-1][m2][m3][m4]+a[now]);//转移方程式 
					}
					if(m2!=0)//特判0
					{
						f[m1][m2][m3][m4]=max(f[m1][m2][m3][m4],f[m1][m2-1][m3][m4]+a[now]);//转移方程式 
					}
					if(m3!=0)//特判0
					{
						f[m1][m2][m3][m4]=max(f[m1][m2][m3][m4],f[m1][m2][m3-1][m4]+a[now]);//转移方程式 
					}
					if(m4!=0)//特判0
					{
						f[m1][m2][m3][m4]=max(f[m1][m2][m3][m4],f[m1][m2][m3][m4-1]+a[now]);//转移方程式 
					}
				}
			}
		}
	}
	printf("%lld\n",f[sum[1]][sum[2]][sum[3]][sum[4]]);//输出 
	return 0;
}

 

洛谷: P1541 [NOIP 2010 提高组] 乌龟棋 NOIP2010 提高组 T2。 阅读详情

相关推荐

洛谷P1541 乌龟棋

传送门 题目背景 小明过生日的时候,爸爸送给他一副乌龟棋当作礼物。 题目描述 乌龟棋的棋盘是一行NNN个格子,每个格子上一个分数(非负整数)。棋盘第1格是唯一的起点,第NNN格是终点,游戏要求玩家控制一个乌龟棋子从起点出发走到终点。 乌龟棋中MMM张爬行卡片,分成4种不同的类型(MMM张卡片中不一定包含所有444种类型的卡片,见样例),每种类型的卡片上分别标有1,2,3,41,2,3,4...

zjy_code的博客 627

洛谷【P1541】乌龟棋

题目背景小明过生日的时候,爸爸送给他一副乌龟棋当作礼物。题目描述乌龟棋的棋盘是一行N个格子,每个格子上一个分数(非负整数)。棋盘第1格是唯一的起点,第N格是终点,游戏要求玩家控制一个乌龟棋子从起点出发走到终点。乌龟棋中M张爬行卡片,分成4种不同的类型(M张卡片中不一定包含所有4种类型的卡片,见样例),每种类型的卡片上分别标有1、2、3、4四个数字之一,表示使用这种卡片后,乌龟棋子将向前爬行相应的格子

George__Yu的博客 747

洛谷 P1541 乌龟棋 题解

题目传送门 这道题是一道非常经典的高维动态规划,作为2010年的NOIP提高组的题目,其质量是相当高的,今天就来解析一下这道题。 1.定义状态 观察题目中的数据范围,由于仅有444种爬行卡片,每种卡片的张数不会超过404040,所以这道题可以暴力开dpdpdp数组。 所以这道题的状态就是酱紫的: dp[i][k1][k2][k3][k4]dp[i][k_1][k_2][k_3][k_4]dp[i]...

live_now的博客 500

P1541 乌龟棋(四维动归)

题目描述 乌龟棋的棋盘是一行 NN 个格子,每个格子上一个分数(非负整数)。棋盘第1格是唯一的起点,第 NN 格是终点,游戏要求玩家控制一个乌龟棋子从起点出发走到终点。 乌龟棋中 MM 张爬行卡片,分成4种不同的类型( MM 张卡片中不一定包含所有 44 种类型的卡片,见样例),每种类型的卡片上分别标有 1,2,3,41,2,3,4 四个数字之一,表示使用这种卡片后,乌龟棋子将向前爬行相应的格子数...

Allen的博客 269

Zynq7000混合启动方案:QSPI Flash引导与eMMC ext4文件系统部署实战

本文详细介绍了Zynq7000平台的混合启动方案,结合QSPI Flash引导与eMMC ext4文件系统部署,解决嵌入式Linux系统启动可靠性与大容量存储需求。通过硬件连接配置、分区规划、Petalinux工程配置及实战部署步骤,帮助开发者高效实现系统优化,提升启动速度和文件系统性能。

weixin_29190169的博客 449

红外弱小目标检测:IPI算法解读及MATLAB复现

参考文献:[1]C. Gaoet al., “Infrared Patch-Image Model for Small Target Detection in a Single Image,” vol. 22, no. 12, pp. 4996–5009, 2013. 本文整理????论文笔记,并附MATLAB实现代码。 一、阅读笔记 1. 摘要 IPI算法是单帧检测算法; 利用背景的非局部子相关性(non-local self-correlation ofbackground),将目标检测转..

小草莓的魔法笔记 1万+

洛谷 P1541 [NOIP2010 提高组] 乌龟棋【线性dp+挖掘性质优化】

乌龟棋中 M 张爬行卡片,分成 4 种不同的类型(M 张卡片中不一定包含所有 4 种类型的卡片,见样例),每种类型的卡片上分别标有 1,2,3,4 四个数字之一,表示使用这种卡片后,乌龟棋子将向前爬行相应的格子数。定义f[a][b][c][d]表示当前拥有1,2,3,4中类型的卡牌数为a,b,c,d,到达的位置就是1+a*1+b*2+c*3+d*4所能获得的最大得分。对于 50%50% 的数据有 1≤N≤120,1≤M≤50,且 4 种爬行卡片,每种卡片的张数不会超过 20。

lianxuhanshu_的博客 1615

eQTL:连接突变与基因表达的桥梁

欢迎关注”生信修炼手册”!在高等生物中,很多的重要性状都为数量形状,比如农作物的产量,人类复杂疾病(高血液,糖尿病)等等。对于这些数量性状而言,往往受到多个基因的调控作用。为了更好的开展...

庐州月光的博客 7078

P1541 [NOIP2010 提高组] 乌龟棋

问题描述:一行数字,一个乌龟在位置1处,有m张卡牌,卡牌上有1,2,3,4四个数字,使用完这个卡牌,乌龟可以向前爬行相应的格子,每一格都有不同的权重。问经过合理的顺序得到的最大的价值和,保证巧合到达终点N。思路:数据范围很小。可以用四维dp,状态表示为用了i个卡牌1,用了j个卡牌2,用了k个卡牌3,用了z个卡牌4可以得到的最大价值和。

田乐蒙的博客 290

cesium加载天地图、OSM、谷歌底图

以上示例是加载矢量底图,若要加载影像或者其他只需要更换相应的url,在WebMapTileServiceImageryProvider中还要更改layer参数。url中’‘vec_w’,一些其他风格,基于CRAT渲染,两种方法效果差别不大。有两种方法加载天地图分别是。对应投影样式,具体可看。还要谷歌的一些卫星底图。

qq_44897914的博客 3003

第 5 篇:责任链模式 (Chain of Responsibility) —— 协议栈的流水线

本文介绍了责任链模式在嵌入式通信协议解析中的应用。针对传统"面条式"代码维护困难的问题,提出将各协议解析器解耦为独立处理单元,通过链表形式串联。文章详细展示了模式实现:定义抽象处理者接口、实现具体协议处理器、构建链表管理器。该方案具有内存占用低(O(1)栈空间)、可动态扩展、支持优先级调整等优势,并探讨了性能优化策略及动态插件系统等扩展应用,为嵌入式通信协议处理提供了清晰的架构方案。

一路往蓝-Anbo 的博客 180

洛谷 p1541乌龟棋

洛谷 p1541乌龟棋 题目背景 小明过生日的时候,爸爸送给他一副乌龟棋当作礼物。 题目描述 乌龟棋的棋盘是一行NN个格子,每个格子上一个分数(非负整数)。棋盘第1格是唯一的起点,第NN格是终点,游戏要求玩家控制一个乌龟棋子从起点出发走到终点。 乌龟棋中MM张爬行卡片,分成4种不同的类型(MM张卡片中不一定包含所有44种类型的卡片,见样例),每种类型的卡片上分别标有1,2,3,41...

anynever的博客 362

手把手教你RK3588 NPU驱动与RKNN Toolkit,AI开发不迷路!

本文详细介绍了RK3588 NPU驱动安装与RKNNToolkit使用方法。首先阐述了RK3588芯片在嵌入式AI领域的优势,包括6TOPS算力和混合量化支持。随后分步骤讲解了NPU驱动安装流程,包括准备工作、编译安装、验证调试及常见问题解决。接着全面介绍了RKNNToolkit的环境搭建、基本使用流程和图像分类实战案例,涵盖模型转换、推理优化等关键环节。最后展望了RK3588在智能安防、工业自动化等领域的应用前景,为开发者提供了完整的嵌入式AI开发指南。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 436

洛谷P1541 [NOIP 2010 提高组] 乌龟棋

四个数字之一,表示使用这种卡片后,乌龟棋子将向前爬行相应的格子数。游戏中,玩家每次需要从所有的爬行卡片中选择一张之前没有使用过的爬行卡片,控制乌龟棋子前进相应的格子数,每张卡片只能使用一次。游戏中,乌龟棋子自动获得起点格子的分数,并且在后续的爬行中每到达一个格子,就得到该格子相应的分数。很明显,用不同的爬行卡片使用顺序会使得最终游戏的得分不同,小明想要找到一种卡片使用顺序使得最终游戏得分最多。现在,告诉你棋盘上每个格子的分数和所有的爬行卡片,你能告诉小明,他最多能得到多少分吗?张爬行卡片上的数字。

yjfyjfyjf54188的博客 1122

html2canvas - 解决截图后引入的字体样式丢失问题,第三方字体截图导出图片后字体失效,html2canvas截屏生成图片后艺术字体就丢失并且自动转成常规字体了,特殊字体显示不了无法截图怎么办

vue2,vue3,uniapp,html2canvas截图后引入的字体样式丢失,html2canvas艺术字截图不显示,使用外部字体无效,html2canvas无法识别网络字体文件怎么办,ttf文件,网页使用在线字体链接利用html2canvas无法截取,字体样式没有了,font-family第三方字体,@font-face引入本地字体文件后无法被html2canvas识别怎么办,html2canvas文字消失,vue页面正常显示艺术字体但截屏后没有,html2canvas截图存在特殊字体时截图不全,默认

✅ 精选推荐文章 1万+

【ComfyUI】【Nunchaku】【diffusers报错解决】秋叶整合包安装 Nunchaku 报错的解决方法

最近在折腾 AI 绘图时,我尝试在秋叶的 ComfyUI 整合包中安装 `ComfyUI-nunchaku` 插件(版本 0.3.3),结果启动后直接报错,提示无法从 `accelerate.utils.memory` 中导入 `clear_device_cache`,让我一度怀疑插件是否兼容。查阅了一堆 issue 和源码之后,总算找到了原因和解决方法。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 1871

洛谷 P1541 乌龟棋 多维动态规划

洛谷 P1541 乌龟棋 多维动态规划 题解: dp[a][b][c][d]:表示你出了a张爬行牌1,b张爬行牌2,c张爬行牌3,d张爬行牌4时的得分 sum[x]:表示牌x一共有多少张 起始状态dp[0][0][0][0]=num[1],即不出任何爬行卡 之后对于每一张卡片,我们都可以选择放与不放, 比较卡一的放与不放,只需决策卡一的放与不放,即取dp[a][b][c][d],dp[a-1][b...

化身孤岛的鲸o的博客 570

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

【洛谷P1541】乌龟棋【DP】

小明过生日的时候,爸爸送给他一副乌龟棋当作礼物。乌龟棋的棋盘是一行NNN个格子,每个格子上一个分数(非负整数)。棋盘第1格是唯一的起点,第NNN格是终点,游戏要求玩家控制一个乌龟棋子从起点出发走到终点。乌龟棋中MMM张爬行卡片,分成4种不同的类型(MMM张卡片中不一定包含所有444种类型的卡片,见样例),每种类型的卡片上分别标有1,2,3,41,2,3,41,2,3,4四个数字之一,表示使用这种卡片后,乌龟棋子将向前爬行相应的格子数。游戏中,玩家每次需要从所有的爬行卡片中选择一张之前没有使用过的爬行卡片,控

绫 302

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

P1541 乌龟棋(洛谷经典DP)

P1541 乌龟棋 题目背景 小明过生日的时候,爸爸送给他一副乌龟棋当作礼物。 题目描述 乌龟棋的棋盘是一行N个格子,每个格子上一个分数(非负整数)。棋盘第1格是唯一的起点,第N格是终点,游戏要求玩家控制一个乌龟棋子从起点出发走到终点。 乌龟棋中MM张爬行卡片,分成4种不同的类型(M张卡片中不一定包含所有4种类型的卡片,见样例),每种类型的卡片上分别标有1,2,3,4四个数字之一,表示使用这种卡片...

weixin_43570185的博客 408

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

洛谷 P1541 [NOIP 2010 提高组] 乌龟棋

乌龟棋中 M 张爬行卡片,分成 4 种不同的类型(M 张卡片中不一定包含所有 4 种类型的卡片,见样例),每种类型的卡片上分别标有 1,2,3,4 四个数字之一,表示使用这种卡片后,乌龟棋子将向前爬行相应的格子数。游戏中,玩家每次需要从所有的爬行卡片中选择一张之前没有使用过的爬行卡片,控制乌龟棋子前进相应的格子数,每张卡片只能使用一次。对于 50% 的数据有 1≤N≤120,1≤M≤50,且 4 种爬行卡片,每种卡片的张数不会超过 20。

2401_87918203的博客 340

洛谷—P1541 乌龟棋题解

题目链接: P1541 乌龟棋 解题思路: 因为当前的状态与我们用过的牌有关,所以用一个四维数组记录当前已经用掉的牌数dp[a][b][c][d],这个状态可以由上一个状态dp[a - 1][b][c][d]、dp[a][b - 1][c][d]、dp[a][b][c - 1][d]、dp[a][b][c][d - 1]转移而来。所以我们可以枚举每种牌的数量,计算使用当前状态的牌到达的位置即可。 for (int a = 0; a <= f[1]; a++) { for (int b = 0;

NCU_tanghulu的博客 376

【题解】洛谷P1541[NOIP2010]乌龟棋 背包问题

题目链接 设 dp[p1][p2][p3][p4]dp[p1][p2][p3][p4]dp[p1][p2][p3][p4] 表示分别选择 p1,p2,p3,p4p1,p2,p3,p4p1,p2,p3,p4 张 1,2,3,41,2,3,41,2,3,4 卡牌的最多分数。 dp[p1][p2][p3][p4]=max⁡{dp[p1−1][p2][p3][p4],dp[p1][p2−1][p3...

翻过这座山,他们就会听到你的故事 349

[洛谷P1541] 乌龟棋

洛谷题目链接:乌龟棋 题目背景 小明过生日的时候,爸爸送给他一副乌龟棋当作礼物。 题目描述 乌龟棋的棋盘是一行N个格子,每个格子上一个分数(非负整数)。棋盘第1格是唯一的起点,第N格是终点,游戏要求玩家控制一个乌龟棋子从起点出发走到终点。 乌龟棋中M张爬行卡片,分成4种不同的类型(M张卡片中不一定包含所有4种类型的卡片,见样例),每种类型的卡片上分别标有1、2、3、4四个数字之一,表示使...

dengtun2502的博客 87

【洛谷】P1541 乌龟棋

https://www.luogu.com.cn/problem/P1541题目背景: 小明过生日的时候,爸爸送给他一副乌龟棋当作礼物。题目描述: 乌龟棋的棋盘是一行NNN个格子,每个格子上一个分数(非负整数)。棋盘第1格是唯一的起点,第NNN格是终点,游戏要求玩家控制一个乌龟棋子从起点出发走到终点。乌龟棋中MMM张爬行卡片,分成4种不同的类型(MMM张卡片中不一定包含所有444种类型的卡片,见样例),每种类型的卡片上分别标有1,2,3,41,2,3,41,2,3,4四个数字之一,表示使用这种卡片后,乌龟棋

数学、算法爱好者的博客 499

洛谷 P1541 [NOIP2010 提高组] 乌龟棋

我的错误思路是:dp[i]的代表到达i格的各项状态,然后这个状态的分数,就等于在此之前的四格中能到达当前格的最大分数加当前格自带的分数。正确的状态选取应该是:dp[a][b][c][d]代表四张卡片1,2,3,4已经分别使用了a,b,c,d张的时候所能获取的最大分数。乌龟棋中 M 张爬行卡片,分成 44 种不同的类型(M 张卡片中不一定包含所有 44 种类型的卡片,见样例),每种类型的卡片上分别标有 1,2,3,41,2,3,4 四个数字之一,表示使用这种卡片后,乌龟棋子将向前爬行相应的格子数。

qq_74351198的博客 1172
上一篇: C++ 区间 DP
下一篇: YbtOJ 删数问题(区间 DP )
允彦
博客等级 码龄5年 269粉丝 33原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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