[算法刷题题解笔记] 洛谷 P1008 [NOIP1998 普及组] 三连击 [枚举|模拟]

简介: [算法刷题题解笔记] 洛谷 P1008 [NOIP1998 普及组] 三连击 [枚举|模拟]

题目链接

题目大意

  • 求满足下列条件的三个三位数:
  • 每个三位数只能由1, 2, 3, …, 9九个数组成的
  • 三个三位数要满足1:2:3的关系
  • 1, 2, 3, …, 9九个数每个数字只能使用一次

解题思路

  • 由于每个三位数只能由1, 2, 3, …, 9九个数组成的,并且三个三位数要满足1:2:3的关系,所以枚举比例为1的那个三位数所有的可能组成,然后通过比例1:2:3的关系计算出剩下的两个三位数,然后根据题目要求判断三个三位数是否满足要求,如果满足就进行输出,否则向后继续枚举第一个三位数的可能组成

解题代码

package luogu.orange;
import java.util.HashSet;
/**
 * ClassName: P1008
 * Package: luogu.orange
 * Description:
 *
 * @Author tcw
 * @Create 2023-06-08 21:09
 * @Version 1.0
 */
public class P1008 {
    public static void main(String[] args) {
        // 求1, 2, 3, ..., 9九个数组成的三个三位数
        // 且三个三位数要满足1:2:3的关系并且每个数字只能使用一次
        // 枚举比例为1的那个三位数的三个数字,
        // 然后通过计算判断后面两个三位数是否满足要求
        for (int i = 1; i <= 9; i++) {
            for (int j = 1; j <= 9; j++) {
                for (int k = 1; k <= 9; k++) {
                    // 每个数字只能使用一次
                    if (i == j || i == k || j == k) continue;
                    // 计算出三个三位数
                    int num1 = i * 100 + j * 10 + k;
                    String num2 = num1 * 2 + "";
                    String num3 = num1 * 3 + "";
                    // 只能是三位数
                    if (num2.length()>3 || num3.length()>3) continue;
                    // 判断三个三位数是否满足条件
                    // 存储已经使用过的数字
                    HashSet<Character> integers = new HashSet<>();
                    integers.add((char) (i + '0'));
                    integers.add((char) (j + '0'));
                    integers.add((char) (k + '0'));
                    // 标记是否满足条件
                    boolean flag = true;
                    // 判断第二个三位数是否满足要求
                    for (int l = 0; l < 3; l++) {
                        char c = num2.charAt(l);
                        // 每个数字只能使用一次,已经使用过了,就不满足条件了
                        // 且数字不能为0,因为 * 2 可能会有0出现
                        if (integers.contains(c) || c == '0') {
                            flag = false;
                            break;
                        }
                        // 使用过的数字就存储下来
                        integers.add(c);
                    }
                    if (!flag) continue;
                    // 判断第三个三位数是否满足要求
                    for (int l = 0; l < 3; l++) {
                        char c = num3.charAt(l);
                        // 每个数字只能使用一次,已经使用过了,就不满足条件了
                        // 且数字不能为0,因为 * 3 可能会有0出现
                        if (integers.contains(c) || c == '0') {
                            flag = false;
                            break;
                        }
                        // 使用过的数字就存储下来
                        integers.add(c);
                    }
                    if (!flag) continue;
                    // 输出满足要求的三个三位数
                    System.out.println(num1 + " " + num2 + " " + num3);
                }
            }
        }
    }
}


目录
打赏
0
0
0
0
17
分享
相关文章
人脸识别笔记(一):通过yuface调包(参数量54K更快更小更准的算法) 来实现人脸识别
本文介绍了YuNet系列人脸检测算法的优化和使用,包括YuNet-s和YuNet-n,以及通过yuface库和onnx在不同场景下实现人脸检测的方法。
314 1
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
这篇文章是关于如何通过算法接口返回的目标检测结果来计算性能指标的笔记。它涵盖了任务描述、指标分析(包括TP、FP、FN、TN、精准率和召回率),接口处理,数据集处理,以及如何使用实用工具进行文件操作和数据可视化。文章还提供了一些Python代码示例,用于处理图像文件、转换数据格式以及计算目标检测的性能指标。
182 0
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
Leecode 刷题笔记之可视化六大排序算法:冒泡、快速、归并、插入、选择、桶排序
这篇文章是关于LeetCode刷题笔记,主要介绍了六大排序算法(冒泡、快速、归并、插入、选择、桶排序)的Python实现及其可视化过程。
98 0
|
9月前
|
❤️算法笔记❤️-(每日一刷-83、删除排序链表中的重复项)
❤️算法笔记❤️-(每日一刷-83、删除排序链表中的重复项)
84 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。
41 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。
|
23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。

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

登录插画

登录以查看您的控制台资源

管理云资源
状态一览
快捷访问