hdu 4930 Fighting the Landlords 多校第六场 大模拟

题目链接:hdu 4930

        斗地主规则,给定你的牌与对手的牌,判断能否出一次牌,让对面没有牌大过你,或者出一次牌就把自己的所有牌出完。

        依据各个规则进行判断,最后要特别判一下王炸与炸弹的情况即可。

/********************************************************************* FileName: 1010.cpp Author: kojimai
  Created Time: 2014年08月07日 星期四 14时44分20秒
*********************************************************************/

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;
char s1[20],s2[20];
int p1[20],p2[20],len1,len2;
bool flag,first;//first表示出一次牌就出完了,flag表示存在一种情况可以大过对面
int get(char ch)
{
	switch(ch)
	{
		case '3':return 3;break;
		case '4':return 4;break;
		case '5':return 5;break;
		case '6':return 6;break;
		case '7':return 7;break;
		case '8':return 8;break;
		case '9':return 9;break;
		case 'T':return 10;break;
		case 'J':return 11;break;
		case 'Q':return 12;break;
		case 'K':return 13;break;
		case 'A':return 14;break;
		case '2':return 15;break;
		case 'X':return 16;break;
		case 'Y':return 17;break;
	}
	return 0;
}
void turn()
{
	memset(p1,0,sizeof(p1));
	memset(p2,0,sizeof(p2));
	for(int i=0;s1[i]!='\0';i++)
	{
		p1[get(s1[i])]++;
	}
	for(int i=0;s2[i]!='\0';i++)
	{
		p2[get(s2[i])]++;
	}
	return;
}
int bomb()//炸弹的情况
{
	int l1=0,l2=0;
	for(int i=15;i>=3;i--)
	{
		//cout<<"i="<<i<<" p[i]="<<p1[i]<<endl;
		if(p1[i]==4)
		{
			if(len1==4)
			{
				first=true;//一手出完炸弹
				return 2;
			}
			l1=i;
			break;
		}
	}
	for(int i=15;i>=3;i--)
	{
		if(p2[i]==4)
		{
			l2=i;
			break;
		}
	}
	//cout<<"l1="<<l1<<" l2="<<l2<<endl;
	if(l1>l2)//炸弹能大过对面
	{
		flag=true;
		return 2;
	}
	else if(l2>l1)//没有炸弹大过对面
	{
		return 1;
	}
	return 0;//凭炸弹无法判断
}
void single()//出单张牌的情况
{
	if(len1==1)
	{
		first=true;
		flag=true;
		return;
	}
	int l1=0,l2=0;
	for(int i=17;i>=3;i--)
	{
		if(p1[i])
		{
			l1=i;
			break;
		}
	}
	for(int i=17;i>=3;i--)
	{
		if(p2[i])
		{
			l2=i;
			break;
		}
	}
	//cout<<"l1="<<l1<<" l2="<<l2<<endl;
	if(l1>=l2)
	{
		flag=true;
	}
	return;
}
void pai()//一对
{
	int l1=0,l2=0;
	for(int i=15;i>=3;i--)
	{
		if(p1[i]>=2)
		{
			l1=i;
			if(len1==2)
			{
				first=true;flag=true;
				return;
			}
			break;
		}
	}
	//cout<<"l1="<<l1<<endl;
	if(l1==0)
		return;
	for(int i=15;i>=3;i--)
	{
		if(p2[i]>=2)
		{
			l2=i;
			break;
		}
	}
	if(l1>=l2)
	{
		flag=true;
	}
	return;
}
void trio()//三张
{
	if(len1<3)
		return;
	int l1=0,l2=0;
	for(int i=15;i>=3;i--)
	{
		if(p1[i]>=3)
		{
			l1=i;
			if(len1==3)
			{
				first=true;flag=true;return;
			}
			break;
		}
	}
	if(l1==0)
		return;
	if(l1&&len2<3)
	{
		flag=true;return;
	}
	for(int i=15;i>=3;i--)
	{
		if(p2[i]>=3)
		{
			l2=i;
			break;
		}
	}
	if(l1>l2)
	{
		flag=true;
	}
	return;
}
void triosolo()//三带一
{
	if(len1<=3)
		return;
	int l1=0,l2=0;
	for(int i=15;i>=3;i--)
	{
		if(p1[i]>=3)
		{
			l1=i;
			if(len1==4)
			{
				first=true;flag=true;return;
			}
			break;
		}
	}
	if(l1==0)
		return;
	else if(len2<4)
	{
		flag=true;return;
	}
	for(int i=15;i>=3;i--)
	{
		if(p2[i]>=3)
		{
			if(len2-p2[i]>0)
			{
				l2=i;
				break;
			}
		}
	}
	if(l1>l2)
	{
		flag=true;
	}
	return;
}
void triop()//三带一对
{
	//cout<<"len1="<<len1<<endl;
	if(len1<5)
		return;
	bool flag1=false,l1=0;
	for(int i=15;i>=3;i--)
	{
		if(p1[i]==3)
		{
			if(l1==0)
			{
				l1=i;
				if(flag1)
					break;
			else
			{
				flag1=true;
				break;
			}
		}
		else if(p1[i]==2)
		{
			flag1=true;
			if(l1)
			{
				break;
			}
		}
	}
	//cout<<"l1="<<l1<<endl;
	if(l1&&flag1)
	{
		if(len1==5)
		{
			first=true;
			flag=true;
			return;
		}
		if(len2<5)
		{
			flag=true;
			return;
		}
		int l2=0;bool flag2=false;
		for(int i=15;i>=3;i--)
		{
			if(p2[i]>=3)
			{
				if(l2==0)
				{
					l2=i;
					if(flag2)
						break;
				}
				else
				{
					flag2=true;
					break;
				}
			}
			else if(p2[i]==2)
			{
				flag2=true;
			}
		}
		if(flag2&&l2)
		{
			if(l1>l2)
			{
				flag=true;
			}
			return;
		}
		else
		{
			flag=true;return;
		}
	}
	return;
}
void fd()//四带二
{
	if(len1<6)
		return;
	int l1=0;
	for(int i=15;i>=3;i--)
	{
		if(p1[i]==4)
		{
			l1=i;
			break;
		}
	}
	if(l1)
	{
		if(len1==6)
		{
			first=true;
			flag=true;
			return;
		}
		if(len2<6)
		{
			flag=true;
			return;
		}
		int l2=0;
		for(int i=15;i>=3;i--)
		{
			if(p2[i]==4)
			{
				l2=i;break;
			}
		}
		if(l1>l2)
		{
			flag=true;return;
		}
	}
	return;
}
int main()
{
	int keng;
	scanf("%d",&keng);
	while(keng--)
	{
		flag=false;first=false;
		scanf("%s",s1);
		scanf("%s",s2);
		len1=strlen(s1);
		len2=strlen(s2);
		turn();
		single();
		//cout<<first<<' '<<flag<<endl;
		pai();
		//cout<<first<<' '<<flag<<endl;
		trio();
		//cout<<first<<' '<<flag<<endl;
		triosolo();
		//cout<<first<<' '<<flag<<endl;
		triop();
		//cout<<first<<' '<<flag<<endl;
		fd();
		//cout<<first<<' '<<flag<<endl;
		if(first)//一手出完了
			printf("Yes\n"); 
		else
		{
			if(p1[16]&&p1[17])//自己有王炸
				printf("Yes\n");
			else
			{
				int t=bomb();
				//cout<<"t="<<t<<endl;
				if(p2[16]&&p2[17])//对面有王炸
				{
					if(first)
						printf("Yes\n");
					else
						printf("No\n");
				}
				else if(t==2)
				{
					printf("Yes\n");
				}
				else if(t==1)
				{
					printf("No\n");
				}
				else
				{
					if(flag)
						printf("Yes\n");
					else
						printf("No\n");
				}
			}
		}
	}
	return 0;
}


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值