思维题-补题

题目来源:牛客

从题目可知,5种工具分别需要

木棍钻石
23
22
21
23
12

其中  木棍2 钻石1  和  木棍1 钻石2  可以算是所需材料最少的,如果能够合成其他种类工具,那也一定可以合成该两种中的一种或两种,所以求合成工具数量的最大值,可以直接计算只合成该两种情况的工具。

//错误示例
#include<stdio.h>
int main()
{
    int t;
    scanf("%d", &t);
    while(t --)
    {
        int n, m, ans = 0;
        scanf("%d%d", &n, &m);
//如果两种情况各一次,需3个木棍3个钻石,且产了2个工具
        if(n >= 3 && m >= 3)
        {
            int x = n / 3;
            int y = m / 3;
            if(x > y)
            {
                ans += (y*2);
                n -= y*3;
                m -= y*3;
            }
            else
            {
                ans += (x*2);
                n -= x*3;
                m -= x*3;
            }
        }
        if(n < m)
        {
            while(m >= 0 && n >= 0)
            {
                n -= 1;
                m -= 2;
                if(m >= 0 && n >= 0)
                ans ++;
            }
        }
        else
        {
            while(n >= 0 && m >= 0)
            {
                m -= 1;
                n -= 2;
                if(n >= 0 && m >= 0)
                ans ++;
            }
        }
        printf("%d\n", ans);
    }
}

按照自己起初的想法,先计算两种情况混合能生产多少,在计算剩余的可以产多少个。

之后发现题目所给例子可以过,但是提交之后的例子一个也过不去。

???

结束之后看了其他大佬的答案,直接!!!

//正确答案
#include<bits/stdc++.h>
using namespace std;
int main()
{
    int t;
    scanf("%d", &t);
    while(t --)
    {
       int n, m;
        scanf("%d%d", &n, &m);
        printf("%d\n", min(min(n, m), (n+m)/3));
    }
}

可见 n, m, (n + m)/3 的最小值即为答案。

n全是1 2情况
m全是2 1情况
(n+m) / 31 2和2 1混合

这个思路直接让我醍醐灌顶恍然大悟自愧不如连连赞叹......

也发现了自己写的答案问题所在,首先就考虑了混合的情况,如果单纯只有一种工具的话,答案当然错误。

比如5  10时全部采用1  2的情况,可得数量为5。

而我自己写的得到数量为4。

总结!!!

找规律,考虑全面!

  • 14
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问 目标检测涉及以下几个核心问: 分类问:判断图像中的目标属于哪个类别。 定位问:确定目标在图像中的具体位置。 大小问:目标可能具有不同的大小。 形状问:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论 1
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