算法设计与分析第三章作业

2301_80143653 2024-11-03 23:35:34

1. 请写出作业“算法第三章3”中题目“7-4 最低通行费”的动态规划方程

( 1 )状态表示:使用一个二维数组dp [ i ] [ j ]来表示从左上角( 0,0 )到达网格中( i,j )位置的最小费用。

( 2 )状态方程:易知每次只需往下或往右走通行费最少,故易得dp [ i ][ j ] = min ( dp [ i-1 ] [ j ] , dp [ i ] [ j-1 ] ) + cost [ i ] [ j ] ,其中 cost [ i ] [ j ] 是[ i , j ]位置的费用。

( 3 )边界条件:起点dp [ 0 ] [ 0 ]的费用为 cost[ 0 ] [ 0 ];

                        第一行和第一列需要根据前一个位置的累计通行费加此处通行费来初始化,比如第一行: dp [ 0 ][ j ] = dp [ 0 ] [ j-1 ]  + cost [ 0 ] [ j ] ,j>=1;

                        其余位置根据状态方程来填充。

( 4 )时间、空间复杂度分析:时间复杂度:由于每个网格点都需要计算一次,且每个点需要从其上方、左方获取值,所以时间复杂度为O ( N ^ 2 )

                                              空间复杂度:需要一个NxN的二维数组来存储到达每个点的最小费用,所以空间复杂度为O ( N ^ 2 )。

2. 结合本章的学习,总结你对动态规划法的体会和思考

动态规划问题一般有最优子结构,这让我们可以通过把整个问题分解成多个子问题、解决子问题、找到子问题的最优解,得到整个问题的最优解。

...全文
216 回复 打赏 收藏 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
源码链接: https://pan.quark.cn/s/a376b5a3a265 在 Windows 操作系统中配置 GPU 的 CUDA 开发环境是一项具有高度必要性的工作,这对 GPU 计算效能与深度学习算法的达成具有决定性的作用。本文将详尽阐述在 Windows 系统中配置 CUDA 开发环境的操作流程,并且处理一些可能遭遇的挑战。 一、版本匹配的关键性 在配置 CUDA 开发环境之前,必须检查项目所应用的 TensorFlow 版本,并明晰 TensorFlow、Python、CUDA 以及 cuDNN 各组件之间的适配关系。这一环节极为关键,因为不同版本间存在一定的兼容性障碍。倘若版本不一致,可能会导致配置失败或引发其他并发症。 二、获取并配置 CUDA 在确认所需安装的版本之后,可从 NVIDIA 的官方网站获取对应的 CUDA 版本。下载完毕后,依照安装指引进行配置。在配置过程中,有几个重点环节需要留意: 1. CUDA 需要借助 C++ 编译器的支持,在 Windows 平台上必须安装 Visual Studio。若设备未预装 Visual Studio,在配置 CUDA 时会提示选择安装哪个版本。 2. CUDA 的路径应保持默认,以便于后续环境变量的配置。 三、配置完成后的验证 配置结束后,需要确认是否配置成功。主要运用 CUDA 自带的 deviceQuery.exe 和 bandwidthTest.exe 两个工具: 1. 通过 win+R 启动 cmd,切换至安装目录下的 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\extra...
文末附数据集可视化效果图。 【数据集概况】 · 检测类别(中文):[香烟(Cigarette)] · 训练集:636 张 · 验证集:182 张 · 测试集:91 张 · 总计:909 张 该数据集聚焦于多类人物在不同环境下的香烟使用行为,涵盖室内、室外、公共与私密等多种真实生活场景,具有高度的现实应用价值,可为公共场所吸烟行为识别、健康警示系统及社会行为研究提供高质量视觉样本支持。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 100 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.5645** mAP50-95 | 0.3009 Precision | 0.7024 Recall | 0.5510 train/box_loss | 1.1101 train/cls_loss | 0.6001 val/box_loss | 2.0088 val/cls_loss | 1.6177 【训练过程分析】 100 轮训练后 mAP50 仅 0.5645,模型收敛不充分。Loss 曲线前期下降后进入平台期,mAP 提升缓慢。mAP50-95 为 0.3009,定位精度同样偏低。 【模型性能评估】 Precision 0.7024、Recall 0.5510,精度高于召回,存在一定漏检。 【预测效果展示】 验证集预测效果偏弱,漏检和误检较多,小目标和边缘场景的检出能力不足。 【改进建议】 1. 丰富场景多样性:补充不同光照、背景和遮挡条件下的样本。 2. 提升输入分辨率:640 对定位精度支撑不足,尝试 800 或 1024 改善 mAP50-95。...

434

社区成员

发帖
与我相关
我的任务
社区描述
广东外语外贸大学信息科学与技术学院
算法 高校
社区管理员
  • brisksea
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧