hdu 5396 Expression

本文探讨如何解决组合数递推问题,并通过记忆化搜索技术优化解决方案。提供了一个丑陋但有效的代码示例,解释了如何从已解决的子问题中推导出最终答案。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

太弱经常暴露智商.....

最近刷的个个dp都是区间,记忆化搜索也区间

然而窝组合数递推不会,规律推错了也不造,orz~~~

这题就找个规律,直接记忆化搜索干就是了,没什么难得

贴一发丑丑的代码,匿了

#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;
#define ll __int64
const int mod=1e9+7;
const int maxn=108;
int a[maxn];
char b[maxn];
ll dp[maxn][maxn];
ll pig[maxn][maxn],jie[maxn];
void init()
{
    int i,j;
    for(i=0;i<=100;i++)
    {
        pig[i][0]=pig[i][i]=1;
        for(j=1;j<i;j++)
            pig[i][j]=(pig[i-1][j]+pig[i-1][j-1])%mod;
    }
}
void initjie()
{
    jie[0]=1;
    for(int i=1;i<=100;i++)
        jie[i]=jie[i-1]*i%mod;
}
void dfs(int l,int r)
{
    int i;
    if(dp[l][r]!=-1)    return;
    if(l==r)    
    {
      dp[l][r]=a[l];
      return;
    }
    ll x,y,sum=0;
    for(i=l;i<r;i++)
    {
        dfs(i+1,r);
        dfs(l,i);
        if(b[i-1]=='*')
        {
            if(i-l>=1&&r-i-1>=1)
            { 
                sum=(sum+pig[r-l-1][i-l]*(dp[l][i]*dp[i+1][r]%mod))%mod;
            }
            else
                sum=(sum+dp[l][i]*dp[i+1][r])%mod;
        }
        if(b[i-1]=='-')
        {
            if(i-l>=1&&r-i-1>=1)
            { 
                sum=(sum+pig[r-l-1][i-l]*
                ((jie[r-i-1]*dp[l][i]-jie[i-l]*dp[i+1][r])%mod))%mod;
            }
            else
                sum=(sum+jie[r-i-1]*dp[l][i]-jie[i-l]*dp[i+1][r])%mod;
        }
        if(b[i-1]=='+')
        {
            if(i-l>=1&&r-i-1>=1)
            { 
                sum=(sum+pig[r-l-1][i-l]*
                ((jie[r-i-1]*dp[l][i]+jie[i-l]*dp[i+1][r])%mod))%mod;
            }
            else
            sum=(sum+jie[r-i-1]*dp[l][i]+jie[i-l]*dp[i+1][r])%mod;
        }
    }
    dp[l][r]=sum;
}
int main()
{
    int i,j,n;
    ll sum;
    init();
    initjie();
    while(scanf("%d",&n)==1)
    {
        for(i=1;i<=n;i++)
            scanf("%d",&a[i]);
        scanf("%s",b);
        memset(dp,-1,sizeof(dp));
        dfs(1,n);
        printf("%I64d\n",(dp[1][n]+mod)%mod);
    }
    return 0;
}

 

转载于:https://www.cnblogs.com/bitch1319453/p/4740729.html

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
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