算法题:4209三元组

简介: **这次周赛只能做出来一道,,,还是太菜第一道:**给定 n 个整数三元组 (xi,yi,zi)。请你判断这些整数三元组是否能够同时满足以下三个条件:所有 xi 相加之和为 0。所有 yi 相加之和为 0。

**这次周赛只能做出来一道,,,还是太菜

第一道:**

给定 n 个整数三元组 (xi,yi,zi)。

请你判断这些整数三元组是否能够同时满足以下三个条件:

所有 xi 相加之和为 0。

所有 yi 相加之和为 0。

所有 zi 相加之和为 0。

输入格式

第一行包含整数 n。

接下来 n 行,每行包含三个整数 xi,yi,zi。

输出格式

如果能够同时满足三个条件,则输出 YES,否则输出 NO。

数据范围

前三个测试点满足 1≤n≤10。

所有测试点满足 1≤n≤100,−100≤xi,yi,zi≤100。

输入样例1:

4

3 -1 7

-5 2 -4

0 -2 -1

2 1 -2

输出样例1:

YES

输入样例2:

3

4 1 7

-2 4 -1

1 -5 -3

输出样例2:

NO

思路:这道题本身不难,我刚好开始想到笨方法:用啥东西存储起来再单独拿出来相加,但是我又想到:既然每一个相加为零那么总和为零不就行了,我点击测试,显示正确,但是提交的时候,显示错误,我就再想,突然我想到,有没有碰巧第一列为-1,而第二三列有一列为1,另一列为0,正好全部相加为零,但是又不符合题目要求,所以,又回到了起点,只能找东西储存起来,在之后相加判断了(emo。。。)

源代码:

include

include

include

using namespace std;

int main()

{

int n,sum;
cin >> n;
int a[n][3];
for (int i = 0; i < n; i ++ )
{
for (int j = 0; j <3; j ++ )
    {
cin >>a[i][j];
    }
}
for (int i = 0; i < 3; i ++ )
{
    sum=0;
for (int j = 0; j < n; j ++ )
    {
        sum=sum+a[j][i];
    }
if(sum==0)
    {
continue;
    }else{
break;
    }
}
if(sum==0)
{
cout << "YES"<<endl;
}else
{
cout << "NO"<<endl;
}
return 0;

}

目录
打赏
0
0
0
0
18
分享
相关文章
经典算法题每日演练——第二十题 三元组
原文:经典算法题每日演练——第二十题 三元组          我们知道矩阵是一个非常强大的数据结构,在动态规划以及各种图论算法上都有广泛的应用,当然矩阵有着不足的地方就是空间和时间 复杂度都维持在N2上,比如1w个数字建立一个矩阵,在内存中会占用1w*1w=1亿的类型空间,这时就会遇到outofmemory。
1144 0
算法_三元组的数量
{5 3 1}和{7 5 3}是2组不同的等差三元组,除了等差的性质之外,还有个奇妙的地方在于:5^2 – 3^2 – 1^2 = 7^2 – 5^2 – 3^2 = N = 15。
1339 0
基于WOA鲸鱼优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本项目基于MATLAB 2022a/2024b实现,采用WOA优化的BiLSTM算法进行序列预测。核心代码包含完整中文注释与操作视频,展示从参数优化到模型训练、预测的全流程。BiLSTM通过前向与后向LSTM结合,有效捕捉序列前后文信息,解决传统RNN梯度消失问题。WOA优化超参数(如学习率、隐藏层神经元数),提升模型性能,避免局部最优解。附有运行效果图预览,最终输出预测值与实际值对比,RMSE评估精度。适合研究时序数据分析与深度学习优化的开发者参考。
基于GA遗传优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本内容包含基于BiLSTM与遗传算法(GA)的算法介绍及实现。算法通过MATLAB2022a/2024b运行,核心为优化BiLSTM超参数(如学习率、神经元数量),提升预测性能。LSTM解决传统RNN梯度问题,捕捉长期依赖;BiLSTM双向处理序列,融合前文后文信息,适合全局信息任务。附完整代码(含注释)、操作视频及无水印运行效果预览,适用于股票预测等场景,精度优于单向LSTM。
基于PSO粒子群优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本项目基于MATLAB2022a/2024b开发,结合粒子群优化(PSO)算法与双向长短期记忆网络(BiLSTM),用于优化序列预测任务中的模型参数。核心代码包含详细中文注释及操作视频,涵盖遗传算法优化过程、BiLSTM网络构建、训练及预测分析。通过PSO优化BiLSTM的超参数(如学习率、隐藏层神经元数等),显著提升模型捕捉长期依赖关系和上下文信息的能力,适用于气象、交通流量等场景。附有运行效果图预览,展示适应度值、RMSE变化及预测结果对比,验证方法有效性。
基于遗传算法的256QAM星座图的最优概率整形matlab仿真,对比优化前后整形星座图和误码率
本内容展示了基于GA(遗传算法)优化的256QAM概率星座整形(PCS)技术的研究与实现。通过Matlab仿真,分析了优化前后星座图和误码率(BER)的变化。256QAM采用非均匀概率分布(Maxwell-Boltzman分布)降低外圈星座点出现频率,减小平均功率并增加最小欧氏距离,从而提升传输性能。GA算法以BER为适应度函数,搜索最优整形参数v,显著降低误码率。核心程序实现了GA优化过程,包括种群初始化、选择、交叉、变异等步骤,并绘制了优化曲线。此研究有助于提高频谱效率和传输灵活性,适用于不同信道环境。
45 10
基于遗传优化ELM网络的时间序列预测算法matlab仿真
本项目实现了一种基于遗传算法优化的极限学习机(GA-ELM)网络时间序列预测方法。通过对比传统ELM与GA-ELM,验证了参数优化对非线性时间序列预测精度的提升效果。核心程序利用MATLAB 2022A完成,采用遗传算法全局搜索最优权重与偏置,结合ELM快速训练特性,显著提高模型稳定性与准确性。实验结果展示了GA-ELM在复杂数据中的优越表现,误差明显降低。此方法适用于金融、气象等领域的时间序列预测任务。
|
26天前
|
基于遗传优化算法的带时间窗多车辆路线规划matlab仿真
本程序基于遗传优化算法,实现带时间窗的多车辆路线规划,并通过MATLAB2022A仿真展示结果。输入节点坐标与时间窗信息后,算法输出最优路径规划方案。示例结果包含4条路线,覆盖所有节点并满足时间窗约束。核心代码包括初始化、适应度计算、交叉变异及局部搜索等环节,确保解的质量与可行性。遗传算法通过模拟自然进化过程,逐步优化种群个体,有效解决复杂约束条件下的路径规划问题。
基于遗传算法的64QAM星座图的最优概率整形matlab仿真,对比优化前后整形星座图和误码率
本内容主要探讨基于遗传算法(GA)优化的64QAM概率星座整形(PCS)技术。通过改变星座点出现的概率分布,使外圈点频率降低,从而减小平均功率、增加最小欧氏距离,提升传输性能。仿真使用Matlab2022a完成,展示了优化前后星座图与误码率对比,验证了整形增益及频谱效率提升效果。理论分析表明,Maxwell-Boltzman分布为最优概率分布,核心程序通过GA搜索最佳整形因子v,以蒙特卡罗方法估计误码率,最终实现低误码率优化目标。
31 1

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等