csp202212-2训练计划

简介: csp202212-2训练计划

3410bde26f4541dfacbc0dfeecb48e03.png

6964ba2847fb4af38afbeb487cfea1ec.png


24494087c5234568852888b96dd4a35c.png

70分代码:

#include <bits/stdc++.h>
using namespace std;
typedef long long int ll;
const ll maxn = 1005;
int n, m, k;
pair<int, int> o[maxn]; // i,p,t
pair<int, int> e[maxn]; // 最早开始时间,最晚开始时间
int main()
{
    cin >> n >> m;
    for (int i = 1; i <= m; i++)
    {
        cin >> o[i].first; // p
    }
    for (int i = 1; i <= m; i++)
    {
        cin >> o[i].second; // t
    }
    for (int i = 1; i <= m; i++)
    {
        if (o[i].first == 0)
        { // 没有依赖
            e[i].first = 1;
        }
        else
        {
            e[i].first = e[o[i].first].first+o[o[i].first].second ;
        }
    }
    for (int i = 1; i <= m; i++)
    {
 
        cout << e[i].first << " ";
    }
}


100分代码:(更新依赖的节点a的值时,也要更新a依赖的节点的值,即while部分)

#include <bits/stdc++.h>
using namespace std;
typedef long long int ll;
const ll maxn = 400;
int n, m, k;
pair<int, int> pt[maxn];
int ans1[maxn]; // 最早开始时间
int ans2[maxn]; // 最晚开始时间
int main()
{
    cin >> n >> m;
    for (int i = 1; i <= m; i++)
    {
        cin >> pt[i].first; // p
    }
    for (int i = 1; i <= m; i++)
    {
        cin >> pt[i].second; // t
    }
    // 最早:
    for (int i = 1; i <= m; i++)
    {
        if (pt[i].first == 0)
        {
            ans1[i] = 1;
        }
        else
        {
            ans1[i] = ans1[pt[i].first] + pt[pt[i].first].second;
        }
    }
    // 最晚:
    int flag = 0;
    for (int i = 1; i <= m; i++)
    {
        if (pt[i].first == 0) // 无依赖
        {
            ans2[i] = n - pt[i].second + 1;
        }
        else // 有依赖,所有被依赖的最晚开始时间要更新
        {
            ans2[i] = n - pt[i].second + 1;
            int u = pt[i].first; // 被uu依赖
            int uu = i;          // 依赖u
            while (u != 0)
            { // 一直更新到没有依赖的(比原来的时间小才更新!)
                if (ans2[uu] - pt[u].second < ans2[u])
                {
                    ans2[u] = ans2[uu] - pt[u].second;
                }
 
                uu = u;
                u = pt[u].first;
            }
        }
    }
    for (int i = 1; i <= m; i++)
    {
        if (ans2[i] <= 0)
            flag = 1;
    }
    for (int i = 1; i <= m; i++)
    {
        cout << ans1[i] << " ";
    }
    if (flag == 0)
    {
        cout << endl;
        for (int i = 1; i <= m; i++)
        {
            cout << ans2[i] << " ";
        }
    }
}


相关文章
|
6月前
|
机器学习/深度学习 计算机视觉
【Tied-Augment】卷出新花样:加强数据增强的有效性!从一篇顶刊论文中窥探的一些信息,
【Tied-Augment】卷出新花样:加强数据增强的有效性!从一篇顶刊论文中窥探的一些信息,
83 0
【Tied-Augment】卷出新花样:加强数据增强的有效性!从一篇顶刊论文中窥探的一些信息,
|
2月前
|
机器学习/深度学习
ACM MM24:复旦提出首个基于扩散模型的视频非限制性对抗攻击框架,主流CNN和ViT架构都防不住它
【9月更文挑战第23天】复旦大学研究团队提出了ReToMe-VA,一种基于扩散模型的视频非限制性对抗攻击框架,通过时间步长对抗性潜在优化(TALO)与递归令牌合并(ReToMe)策略,实现了高转移性且难以察觉的对抗性视频生成。TALO优化去噪步骤扰动,提升空间难以察觉性及计算效率;ReToMe则确保时间一致性,增强帧间交互。实验表明,ReToMe-VA在攻击转移性上超越现有方法,但面临计算成本高、实时应用受限及隐私安全等挑战。[论文链接](http://arxiv.org/abs/2408.05479)
72 3
|
3月前
|
安全 数据安全/隐私保护
ACM MM2024:对比学习滥用隐私数据!中科院等发布多步误差最小化方法
【8月更文挑战第21天】在ACM MM2024会议中,中科院等机构提出多步误差最小化(MEM)方法,针对对比学习处理多模态数据时的隐私风险。通过优化图像噪声和文本触发器,MEM能有效生成不可学习样本,误导模型学习错误模式,显著降低隐私泄露风险,并展现出高度的模型间可转移性。此方法拓宽了隐私保护技术的应用范围,同时面对计算成本与触发器选择等挑战。论文详述可见:https://arxiv.org/abs/2407.16307。
50 1
|
3月前
|
机器学习/深度学习 算法 搜索推荐
支付宝商业化广告算法问题之在DNN模型中,特征的重要性如何评估
支付宝商业化广告算法问题之在DNN模型中,特征的重要性如何评估
|
3月前
|
数据采集 人工智能 数据挖掘
2021 第五届“达观杯” 基于大规模预训练模型的风险事件标签识别】3 Bert和Nezha方案
2021第五届“达观杯”基于大规模预训练模型的风险事件标签识别比赛中使用的NEZHA和Bert方案,包括预训练、微调、模型融合、TTA测试集数据增强以及总结和反思。
43 0
|
6月前
|
机器学习/深度学习 人工智能
谷歌提出大规模ICL方法——强化和无监督
【5月更文挑战第26天】谷歌DeepMind团队提出Many-Shot ICL,一种强化和无监督学习方法,用于提升大型语言模型处理多样化任务的能力。通过提供更多示例,模型无需权重更新即可学习新任务。研究还引入Reinforced ICL和Unsupervised ICL,减少对人类生成输出的依赖。Many-Shot ICL能有效克服预训练偏见,但示例顺序对其性能至关重要。然而,NLL作为评估指标的局限性被指出,且增加示例数量可能降低性能。该研究为改进LLMs提供了新视角,但仍需在更多模型和场景中验证。[链接: https://arxiv.org/abs/2404.11018]
63 1
|
机器学习/深度学习 搜索推荐 数据安全/隐私保护
高效利用多级用户意图,港科大、北大等提出会话推荐新模型Atten-Mixer
高效利用多级用户意图,港科大、北大等提出会话推荐新模型Atten-Mixer
118 0
|
机器学习/深度学习 算法
信息瓶颈提出者Naftali Tishby生前指导,129页博士论文「神经网络中的信息流」公布
信息瓶颈提出者Naftali Tishby生前指导,129页博士论文「神经网络中的信息流」公布
143 0
|
人工智能
IJCAI 2022 | 用一行代码大幅提升零样本学习方法效果,南京理工&牛津提出即插即用分类器模块
IJCAI 2022 | 用一行代码大幅提升零样本学习方法效果,南京理工&牛津提出即插即用分类器模块
151 0
|
自动驾驶 数据挖掘 计算机视觉
CVPR2022 | 利用域自适应思想,北大、字节跳动提出新型弱监督物体定位框架
CVPR2022 | 利用域自适应思想,北大、字节跳动提出新型弱监督物体定位框架
167 0