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
|
11月前
|
机器学习/深度学习 存储 计算机视觉
北京大学提出 PTQ4ViT | 双均匀量化+Hessian引导度量,推进Transformer模型落地
北京大学提出 PTQ4ViT | 双均匀量化+Hessian引导度量,推进Transformer模型落地
269 1
|
7月前
均值回归策略在A股ETF市场获利的可能性
【9月更文挑战第24天】均值回归策略是一种量化交易方法,依据资产价格与平均价格的关系预测价格变动。在A股ETF市场中,该策略可能带来收益,但需考虑市场复杂性和不确定性。历史数据显示某些ETF具有均值回归特征,但未来表现不确定,投资者应结合技术与基本面分析,合理决策并控制风险。
140 2
|
8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。
106 1
|
8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
|
11月前
|
机器学习/深度学习
csp202305-2 矩阵运算
csp202305-2 矩阵运算
|
11月前
|
机器学习/深度学习 安全
R语言逻辑回归Logistic选股因素模型交易策略及沪深300指数实证
R语言逻辑回归Logistic选股因素模型交易策略及沪深300指数实证
|
算法 Go C++
CSP 202203-2 出行计划
CSP 202203-2 出行计划
458 0
CSP 202203-2 出行计划
|
SQL 机器学习/深度学习 开发框架
【网安AIGC专题10.25】8 CoLeFunDa华为团队:静默漏洞检测(识别+多分类)+数据增强、样本扩充+对比学习+微调+结果分析(降维空间,分类错误样本归纳,应用场景优势,有效性威胁分析)
【网安AIGC专题10.25】8 CoLeFunDa华为团队:静默漏洞检测(识别+多分类)+数据增强、样本扩充+对比学习+微调+结果分析(降维空间,分类错误样本归纳,应用场景优势,有效性威胁分析)
384 0
|
机器学习/深度学习 算法 数据安全/隐私保护
「隐语小课」一种度量联邦学习中梯度泄露程度的方法
「隐语小课」一种度量联邦学习中梯度泄露程度的方法
448 0
|
机器学习/深度学习 存储 安全
首个X光下的小样本检测基准和弱特征增强网络,北航、讯飞新研究入选ACM MM 2022
首个X光下的小样本检测基准和弱特征增强网络,北航、讯飞新研究入选ACM MM 2022
269 0
AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等