NOIP模拟day2 2020.10.30

今天这题啊,难度肯定达到了,这真的是NOIP吗?不过质量还是高啊。
T1
在这里插入图片描述
首先,题目看似第一要求边数目,第二才管权值。但我们不能就这样掉坑里了,去先找多少条边。注意到在一个连通块中,当边数最多时一定是 n − 1 n-1 n1,而每次说边数最多是相对每一次操作而言,没有说纵向对比,所以这个条件基本可以不管。这样下来一个明显的暴力做法就有了,每次操作分别找最大生成树,再把边删了继续找,这显然是会TLE的。

那么我们就考虑优化,考虑用 k k k个并查集来维护每时刻删了的边连通性,而对于权值大的边来说越往前放越佳,假设放 t t t时刻,能不能放就在于在并查集中边所连 2 2 2点是否连通,若连通则代表不能加在t时刻,则t时刻及以后都不能放,因为删了的边不会回来,满足单调性。所以我们对于每条边可以二分找到最早能放的时刻,更新 a n s ans ans和并查集。

c o d e : code: code

#include<bits/stdc++.h>
using namespace std;
const int N=1010,M=3e5+10,K=1e4+10;
int n,m,k,fa[K][N],ans[M],l,r;
struct bian{int op;int ed;int val;int id;}eg[M];
bool comp(bian a,bian b){return a.val>b.val;}
int Get(int id,int u)
{
	if(fa[id][u]==u) return u;
	fa[id][u]=Get(id,fa[id][u]);
	return fa[id][u];
}
int Read()
{
	int x=0,f=1;
	char ch=getchar();
	while(!isdigit(ch)){if(ch=='-')f=-1;ch=getchar();}
	while(isdigit(ch)){x=(x<<1)+(x<<3)+ch-'0';ch=getchar();}
	return f*x;
}
bool check(int i,int j)
{
	int f1=Get(i,eg[j].op),f2=Get(i,eg[j].ed);
	if(f1==f2) return false;
	else return true;
}
int main()
{
	n=Read(),m=Read(),k=Read();
	for(int i=1;i<=m;i++) {eg[i].op=Read(),eg[i].ed=Read(),eg[i].val=Read();eg[i].id=i;}
	sort(eg+1,eg+1+m,comp);
	for(int i=1;i<=k;i++) for(int j=1;j<=n;j++) fa[i][j]=j;
	for(int i=1;i<=m;i++)
	{
		l=1,r=k;
		while(l<r){
			int mid=(l+r)>>1;
			if(check(mid,i)) r=mid;
			else l=mid+1;
		}
		if(l==r&&!check(r,i)) l++;
		else fa[l][Get(l,eg[i].op)]=Get(l,eg[i].ed);
		ans[eg[i].id]=l%(k+1);
	}
	for(int i=1;i<=m;i++) printf("%d\n",ans[i]);
	return 0;
}

T2
在这里插入图片描述
这是唯一一道氵点的题把,我考试时却没咋想就走了…;

其实这道题有个东西想到了就好做了,那就是如果想要每一列都变黑至少要有一行先为全黑,那之后就可以每次花 1 1 1代价把一列染黑。

那么我们下手点便是找让一行全黑的代价,我们发现若第 i i i行有白块,必须第i列有黑块,以代价 1 1 1修改 1 1 1个白块,假若第 i i i列没有黑家伙,那必须多花一代价改一下。最后求出每行变全黑需要的值,因为只需一行,取 m i n min min加上 a n s ans ansl

c o d e : code: code:

#include<bits/stdc++.h>
using namespace std;
int ans,n,saber,vis[510][2],whe[510],Min=1000;//whe某列有无黑 vis某行多少白,列是否全黑 
char s;
int main()
{
	scanf("%d",&n);
	for(int i=1;i<=n;i++) 
	for(int j=1;j<=n;j++)
	{
		cin>>s;
		if(s=='#') saber=whe[j]=1;
		else vis[j][1]=1,vis[i][0]++;
	}
	if(!saber){
		cout<<-1;
		return 0;
	}
	for(int i=1;i<=n;i++)
	{
		if(vis[i][1]) ans++;
		if(!vis[i][0]) Min=0;
        Min=min(Min,vis[i][0]+(!whe[i]));
	}
	cout<<ans+Min;
}

T3
在这里插入图片描述
一道蛮妙的题,毕竟神犇fsy都做了2h,首先我们若不考虑它的乘积要在   n m \ n^m  nm之下的话,总方案数就是因数个数的 2 m 2m 2m次方。而我们发现对于一个乘积为 x x x的方案,把所有 a i a_i ai转化为 n 2 m a i \frac{n^{2m}}{a_i} ain2m,那么乘积变为 n 2 m x \frac{n^{2m}}{x} xn2m,这启示我们乘积小于 n m n^m nm方案数和大于的一样多。所以 a n s ans ans便可以表达为总方案数加上乘积为 n m n^m nm方案数再 ÷ 2 \div2 ÷2

首先要求因数个数吧,据大佬crf所说,这是小学奥数,即我们在求质因数时就可以求因数个数,分别乘上因数个数 + 1 +1 +1就行了。

于是我们现在主要目的就是找乘积为 n m n^m nm的方案数,说实话,我这种蒟蒻真不会,听各路大佬讲解终于懂了点。前面所说的求质因数这里便是会用上,我们现在已经知道了各个质因数的个数 n u m num num,那么我们要求只放该因数且放了 n u m ∗ m num*m numm个该因数的方案数 f f f,其中在每个位置不能放超 n u m num num个。这个方案数求出来有啥用呢,其实每个质因数所对应 f f f之积就是乘积为 n m n^m nm方案数总数,可以想想为什么。

所以 f f f怎么求呢,我们可以设 f [ i ] [ j ] f[i][j] f[i][j]表示在第 i i i位已经放了 j j j个质因数的方案数,要的就是 f [ 2 m ] [ n u m ∗ m ] f[2m][num*m] f[2m][numm],转移方程也很简单, f [ i ] [ j ] = ∑ k = 0 m i n ( n u m , j ) f [ i − 1 ] [ k ] f[i][j]=\sum_{k=0}^{min(num,j)}f[i-1][k] f[i][j]=k=0min(num,j)f[i1][k]

t i p s : tips: tips:
最后除以 2 2 2时不直接除,要乘 2 2 2的逆元再取模,而 2 2 2关于一个质数 m o d mod mod的逆元便是 m o d + 1 mod+1 mod+1
f f f数组记得初始化啊!!!!
c o d e : code: code

#include<bits/stdc++.h>
using namespace std;
#define int long long
const int mod=998244353;
int n,m,ans1=1,ans2=1,fxk=1,cnt,ys[40],num[40],f[210][3300];
int dp(int num)
{
	memset(f,0,sizeof(f));
	int sum=0;
	for(int i=0;i<=num;i++) f[1][i]=1;
	for(int i=2;i<=2*m;i++)
	for(int j=0;j<=num*m;j++)
	{
		sum=0;	
		for(int k=0;k<=min(j,num);k++) sum=(sum+f[i-1][j-k])%mod;
        f[i][j]=sum;
	}
	return f[2*m][num*m];
}
signed main()
{
	scanf("%lld%lld",&n,&m);
    int x=2;
	if(n==1)
	{
		cout<<1;
		return 0;
	}
	while(n!=1)
	{
		if(n%x==0)
		{		
		    int tot=0;
			while(n%x==0)
			{
				tot++;
				n/=x;
			}
			ans1=(ans1*dp(tot))%mod;
			fxk=(fxk*(tot+1))%mod;
		}
		x++;
	}     

//	cout<<fxk<<endl;
	for(int i=1;i<=2*m;i++) ans2=(ans2*fxk)%mod;
    if(n!=1) ans1=ans1*dp(1)%mod,ans2=2*ans2%mod;
//	cout<<ans1<<endl;
//1ll*(ans1+ksm(ans2,2*m))%mod*(mod+1)/2%mod);
	printf("%lld",(ans1+ans2)%mod*(mod+1)/2%mod);
}

T4
一道对于本蒟蒻来说毋庸置疑的神仙题…
在这里插入图片描述
好,开 T 4 T4 T4的坑吧,毕竟是道综合性蛮强的数据结构题。

读题后我们发现,第 k k k次操作后的节点个数其实就是 k k k次操作所经过的链上点的并。而这里有个经典做法(懒得打了,直接上图)
在这里插入图片描述

而每次我们多加入一条链时,答案的更新其实就是这样:
在这里插入图片描述

黄色的链为已加入的,红色是新加入的,因为要按dfs序,所以 a n s ans ans更新就要按红色左边那条来(怎么判断后文有介绍) ,(这是不正确的,还可能是右边的,因为可能从右边开搜,被坑了。。。。。)找到两者的LCP(最长公共前缀)便可以了。
那么问题来了:
1 1 1:数很大,不能直接两两比较在,怎么解决?
2 2 2:加入的链位置不一定是按顺序加入,可能从哪里冒进来,怎么记录之前的值?
3 3 3:你加入了一条链,又该如何找到对应的拿来更新 a n s ans ans的另一条链?
.
.
.
.
.
.
.
.
.
.
.
.
其实当你把这些问题解决之后,这道题基本就没了(当然你要不写挂)那这里说说神仙 c r f crf crf的方法吧,第一个问题我们用哈希来解决,第二个问题用主席树维护,第三个我们借助 s e t set set容器,每次插入时没必要用lower_bound啥的,直接取新加入的位置上一个或下一个就是了。
那, T 4 T4 T4没了耶。
神 仙 c r f 的 c o d e 神仙crf的code crfcode

#include<bits/stdc++.h>
#define re register
#define fi first
#define se second
#define mpr make_pair
#define pb push_back
using namespace std;
typedef long long ll;
typedef pair<int,int> pii;
typedef set<int>::iterator iter;
inline int read()
{
	int x=0,f=1;char ch=getchar();
	while(!isdigit(ch)&&ch!='-') ch=getchar();
	ch=='-'?f=-1:x=ch-'0';
	while(isdigit(ch=getchar())) x=x*10+ch-'0';
	return x*f;
}
const int N=2e5+5,bs1=233,bs2=10007,mod1=19260817,mod2=1e9+7;
int n,Q,a[N],rt[N],pw1[N],pw2[N];
ll ans=1;
namespace sgt
{
	int idcnt,lc[N*30],rc[N*30];
	pii h[N*30];
	inline void pushup(int x,int l,int mid,int r)
	{
		h[x].fi=(1ll*h[lc[x]].fi*pw1[r-mid]%mod1+h[rc[x]].fi)%mod1;
		h[x].se=(1ll*h[lc[x]].se*pw2[r-mid]%mod2+h[rc[x]].se)%mod2;
	}
	void insert(int &x,int pre,int l,int r,int ps)
	{
		x=++idcnt;
		h[x]=h[pre],lc[x]=lc[pre],rc[x]=rc[pre];
		if(l==r) {h[x].fi^=1,h[x].se^=1;return;}
		int mid=(l+r)>>1;
		if(ps<=mid) insert(lc[x],lc[pre],l,mid,ps);
		else insert(rc[x],rc[pre],mid+1,r,ps);
		pushup(x,l,mid,r);
	}
	int q_lcp(int x,int y,int l,int r)
	{
		if(l==r) return 0;
		int mid=(l+r)>>1;
		if(h[lc[x]]!=h[lc[y]]) return q_lcp(lc[x],lc[y],l,mid);
		else return mid-l+1+q_lcp(rc[x],rc[y],mid+1,r);
	}
	int q_cmp(int x,int y,int l,int r)
	{
		//cout<<h[x].fi<<" "<<h[y].fi<<"  "<<l<<" "<<r<<endl;
		if(l==r) return h[y].fi;
		int mid=(l+r)>>1;
		if(h[lc[x]]!=h[lc[y]]) return q_cmp(lc[x],lc[y],l,mid);
		else return q_cmp(rc[x],rc[y],mid+1,r);
	}
}
struct cmp{bool operator()(int x,int y) {return sgt::q_cmp(x,y,1,n);}};
set<int,cmp>st;
signed main()
{
	//freopen("d.in","r",stdin);
	//freopen("d.out","w",stdout);
	n=read(),Q=read();
	pw1[0]=pw2[0]=1;
	for(re int i=1;i<=n;++i) pw1[i]=1ll*pw1[i-1]*bs1%mod1,pw2[i]=1ll*pw2[i-1]*bs2%mod2;
	for(re int i=1;i<=Q;++i)
	{
		int k=n-read(),last=rt[i-1];
		ans+=n;
		for(re int j=k;j>=1;--j)
		{
			a[j]^=1;
			sgt::insert(rt[i],last,1,n,j);
			last=rt[i];
			if(a[j]) break;
		}
		if(st.find(rt[i])!=st.end()) continue; 
		iter p=st.insert(rt[i]).fi;
		iter l=p,r=p;
		--l,++r;
		//cout<<*l<<" "<<*p<<" "<<*r<<endl;
		if(p==st.end()) continue;
		if(p!=st.begin()) ans-=sgt::q_lcp(rt[i],*l,1,n);
		if(p!=--st.end()) ans-=sgt::q_lcp(rt[i],*r,1,n);
		if(p!=st.begin()&&p!=--st.end()) ans+=sgt::q_lcp(*l,*r,1,n);
		printf("%lld\n",ans);
	}
	return 0;
}

写的最久一次博客…

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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 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