sgu 159 分类: sgu 2015-05...


看了别人的题解,毅然暴搜。


#include<map>
#include<queue>
#include<stack>
#include<ctime>
#include<cmath>
#include<string>
#include<cstdio>
#include<utility>
#include<cstdlib>
#include<cstring>
#include<iostream>
#include<algorithm>
const int MAXN = 1e3+5, BASE = 40;
char fc[BASE] = {"0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ"};

int n, b, ansl;
struct LongNumber
{
    char s[MAXN<<1];
    void prt()
    {
        for(int i = 0; i < n; i++)
          putchar(fc[s[i]]);
    }
};
LongNumber ans[BASE], tmp;

bool cmp(const LongNumber &a,const LongNumber &b){return strcmp(a.s,b.s) < 0;}

void DFS(int cur,int st)
{
    if(cur == n)  
    {  
        if(cur == 1 || tmp.s[cur-1])  
        {  
            char *p = ans[++ansl].s;
            for(int i = n - 1; i >= 0; i--)  
              p[i] = tmp.s[cur- i - 1];  
        }  
        return;
    }  
    for(int i = 0; i < b; i ++)  
    {  
        int cal = 0;  tmp.s[cur] = i;  
        for(int j = 0; j <= cur; j++)  
            cal += tmp.s[j]*tmp.s[cur-j];  

        if((st + cal)%b == i)  
            DFS(cur + 1, (st + cal)/b);  
    }  
}

int main()
{
#ifndef ONLINE_JUDGE
    freopen("sgu159.in","r",stdin);
    freopen("sgu159.out","w",stdout);
#endif

    std::cin >> b >> n ;    

    DFS(0,0);

    std::sort(ans+1,ans+ansl+1,cmp);

    printf("%d\n",ansl);
    for(int i = 1; i <= ansl; i++)
      ans[i].prt(), puts("");

#ifndef ONLINE_JUDGE
    fclose(stdin);
    fclose(stdout);
#endif
    return 0;           
}

版权声明:本文为博主原创文章,未经博主允许不得转载。

转载于:https://www.cnblogs.com/dashgua/p/4723026.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,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?”的问题,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、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题: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题,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
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