Good Bye 2018(A-C) D待补(暑假训练8.7)

简介: 算法

机票


战绩and总结

1.png


被兴哥吊锤的一天呢x压哨开出C,然后B把自己做破防了,告诉自己一万遍不要上头无脑提交然而并没有啥用:)


A. New Year and the Christmas Ornament


题意:有三种颜色的装饰,已知他们的数量分别是a,b,c。要求是你去装饰圣诞树时满足a=b+1=c+2,求最大的a。

思路:因为数据范围很小,所以从大到小暴力遍历即可


#include<bits/stdc++.h>
using namespace std;
int main()
{
    int y,b,r;
    cin>>y>>b>>r;
    for(int i=r;i>=3;i--)
    {
        if(b>=i-1&&y>=i-2)
        {
            cout<<3*i-3<<endl;
            break;
        }
    }
    return 0;
}

B. New Year and the Treasure Geolocation


题意:读入一个正整数n,接下来读入2n行,一共2n个向量,保证存在一个向量,定于v,使得n∗2个向量两两相加,加出来的n个向量等于v。

2.png

思路①:兴哥的思路是看题目的式子就能知道了,把n个坐标与另外n个坐标以某种排列一一对应 使每一组对应的坐标x,y分别相加得到的新坐标 (Tx,Ty) (Tx,Ty )是一样的对于任意一组对应的坐标 ,所以只要把所有x,y分别加起来并除以n就可以了…

思路②:因为凑成的新坐标都是相同的,并且xi+xj=Tx,y1+y2=Ty,那么假设题目只要求横坐标,那么确保答案一定存在的情况下那不就是最小的加上最大的就行了,考虑纵坐标同理

思路③:此题不难想到O(n^2)的做法,即将所有的(x,y)和(a,b)一一配对,用map统计每种(x+a,y+b)出现的次数,出现n次的即为答案。

我的做法:用O(n^2)去暴力的找出现最多的个数,不断的更新查询,超时了,以后注意如果是纯暴力得开unordered_map。


C. New Year and the Sphere Transmission


题意:就是n个人围成一圈,从第一个人开始,每次可以往后跳k步(1<= k <= n)最后跳回第一个人那里, 对于每个k把它经过的人的编号加起来,假设为fk , 把fk排序后去重然后输出。

3.png

思路:不管是画图还是自己找规律都不难发现每一次选的数的个数都是n的约数,所以枚举约束用等差数列求和公式计算即可(不用会t!)

假设每次跳k步,能够到的点就是1+k,1+2k,1+3k,所以n的约数。

#include<bits/stdc++.h>
using namespace std;
#define int long long
const int maxn=2e5;
int a[maxn];
long long sum(int a,int n)
{
    long long sum1=0;
    long long nn=(n%a==0?n/a:n/a+1);
    sum1=nn+(nn*(nn-1))/2*a;
    return sum1;
}
signed main()
{
    ios::sync_with_stdio(false);
    cin.tie(0);cout.tie(0);
    int n,i,j,cnt=0;
    cin>>n;
    for(i=2;i<=n/i;i++)
    {
        if(n%i==0)
        {
            a[cnt++]=i;
            if(n/i!=i)
                a[cnt++]=n/i;
        }
    }
    sort(a,a+cnt);
    cout<<1<<" ";
    for(i=cnt-1;i>=0;i--)
    {
        cout<<sum(a[i],n)<<" ";
    }
    cout<<sum(1,n)<<endl;
    return 0;
}


相关文章
|
9月前
Let_god_knows
Let_god_knows
32 0
|
11月前
|
自然语言处理 数据挖掘 知识图谱
【提示学习】Knowledgeable Prompt-tuning: Incorporating Knowledge into Prompt Verbalizer for Text Classific
目前流行的第四大范式Prompt的主流思路是PVP,即Pattern-Verbalizer-Pair,主打的就是Pattern(模板)与Verbalizer(标签映射器)。   本文是在Verbalizer(标签映射器)方面做出的创新。   文章思路是数据增强+去噪,不过数据增强在于verbalizer对于label space至expanding word space的映射,引入外部的扩展标签词集,辅助分类,去噪并不新颖,就是在细化两个场景,zeroshot滤掉扩展标签词集的低频词,并上下文校验。fewshot则是引入可学习权值,减小噪声影响。
128 0
|
机器学习/深度学习 存储 人工智能
大语言模型的预训练[3]之Prompt Learning:Prompt Engineering、Answer engineering、Multi-prompt learning、Training strategy详解
大语言模型的预训练[3]之Prompt Learning:Prompt Engineering、Answer engineering、Multi-prompt learning、Training strategy详解
大语言模型的预训练[3]之Prompt Learning:Prompt Engineering、Answer engineering、Multi-prompt learning、Training strategy详解
|
机器学习/深度学习 计算机视觉
Faster R-CNN : end2end 和 alternative 训练
Faster R-CNN 实际上就是由 Fast R-CNN 和 RPN 两个网络结合的,可以使用 end2end 和 alternative 两种方式来训练,两种方法训练出来的网络准确度基本没有多大的区别,但是使用 end2end 训练,即端到端训练可以节省很多时间。这篇文章参考 Ross' Girshick 在 ICCV15 上的演讲报告,主要讲 end2end 方法。
165 0
|
算法 Linux 测试技术
【论文阅读】(2014)Combinatorial Benders’ Cuts for the Strip Packing Problem
【论文阅读】(2014)Combinatorial Benders’ Cuts for the Strip Packing Problem
222 0
【论文阅读】(2014)Combinatorial Benders’ Cuts for the Strip Packing Problem
|
机器学习/深度学习 自然语言处理 数据挖掘
|
自然语言处理
Re26:读论文 Don’t Stop Pretraining: Adapt Language Models to Domains and Tasks
Re26:读论文 Don’t Stop Pretraining: Adapt Language Models to Domains and Tasks
Re26:读论文 Don’t Stop Pretraining: Adapt Language Models to Domains and Tasks
|
数据挖掘
Re19:读论文 Paragraph-level Rationale Extraction through Regularization: A case study on European Court
Re19:读论文 Paragraph-level Rationale Extraction through Regularization: A case study on European Court
Re19:读论文 Paragraph-level Rationale Extraction through Regularization: A case study on European Court
|
自然语言处理 Oracle 关系型数据库
Re32:读论文 Summarizing Legal Regulatory Documents using Transformers
这篇文章提出了一个英文法律规范文件摘要数据集。模型就是很简单地把抽取式摘要建模成每一句的二分类任务,还测试了在此之前用TextRank先抽取一遍的效果。(这个指标甚至没有做人工的) 看起来非常简单,这样就能发SIGIR吗,那我怎么不行…… 所以可能本文的贡献重点在数据集上吧!
Re32:读论文 Summarizing Legal Regulatory Documents using Transformers
|
机器学习/深度学习
Re16:读论文 ILDC for CJPE: Indian Legal Documents Corpus for Court Judgment Prediction and Explanation
Re16:读论文 ILDC for CJPE: Indian Legal Documents Corpus for Court Judgment Prediction and Explanation
Re16:读论文 ILDC for CJPE: Indian Legal Documents Corpus for Court Judgment Prediction and Explanation