Sicily 1305 Who’s Winner? (SOJ 1305) 【Nim问题】

原题地址:点击打开链接

我以前最烦这种策略、博弈问题,因为总是觉得无章可循,要解题只能依靠灵光一闪,但是看了《编程之美》这本书后(绝对是好书,我对其评价如下哈哈:《推荐一本书》),看到这题我就大致想出解法了。

——————正文——————

我个人认为这也是Nim问题的一种,这一题换一种叙述方式可以是,对于某一范围的石头,每次可以取走若干,使其变为原来的多少分之1,最终剩下多少个石头就谁获胜。

对这题的求解过程比较诡异,因为我一开始看错题,以为仅仅从2和9两个数字中选1个,后来才发现是2~9,神奇的是,我发现就算看错了题,做法也是不变的···

好了,说说这题的思路,套用《编程之美》这本书里面解这类题的思想,可以划分“安全区”的概念,安全区就是(通常针对玩家1)玩家在里面就必定不会输的区域。

举个例子,对于玩家来说:

1 n~无穷是安全区,因为走到这个区域里面,玩家必定胜利

2 n/9(上取整)~n-1 是危险区,玩家一旦走到这个区域里面,另外一个玩家下一次动作就会胜利

3 我们假设2中k=n/9(上取整),kk=n-1,进一步地,k/2(上取整)~k-1是安全区....

按照上面这样递推,有一个问题,为什么有时候是除以2,有时候是除以9?

这样思考——当玩家要到达安全区,那么必定有其对手在危险区,所以从当前的安全区逆推危险区的范围时,应该使用除以9(思考为什么);而怎么样才能令到对手会走到危险区上?只有自己走到某一个区域,而在这个区域上面,无论对手下一步选择什么数字,都会走到危险区上面,当前自己所在的区域就是安全区,所以安全区内的数字,应该保证其乘以2~9中任何数字,都会进入危险区的范围。

简而言之,在安全区的人,可以永远保证自己在安全区,而在危险区的人,用于会在危险区。所以我们只需要知道Susan或Nic一开始在什么区就可以了。

上面是最难理解的···顺带说一句,今天校队4+2补选赛砸了,哎。

继续。

由于Nic从1开始乘,所以我们选择Susan作为游戏的first player,然后她的数字是1 。然后按照刚才的方法,看看递推下来,区间在包含1的时候,当前的区间是危险区还是安全区就可以知道SUSAN赢还是输了。

后来发现要考虑一种特殊情况:如果n<=9,那么就直接输出Nic胜利,否则就按上面的方法计算。

可能我解释得不好,各位看代码吧,如下:

#include<stdio.h>
#include<iostream>
using namespace std;
long long n;
long long lb,ub;  //当前区间的左边界和右边界 
bool w;           //w=true则当前区间是安全区 
int main()
{
    //freopen("in.txt","r",stdin);
    //freopen("out.txt","w",stdout);
    while(scanf("%lld",&n)!=EOF)
    {
      if(n<=9)
      {
        printf("Nic wins.\n");
        continue;
      }
                                
      lb=n; ub=2*n;
      w=true;
      while(!(lb<=1 && ub>=1))
      {
        //printf("%lld %lld\n",lb,ub);
        ub=lb-1;
        long long tmp=w?9:2;
        long long tmp2=lb/tmp;
        for(;tmp2*tmp<lb;++tmp2)
        {}
        lb=tmp2;
        w=(!w);
      }
      if(w)
        printf("Susan wins.\n");
      else
        printf("Nic wins.\n");
    }
}                                 


******<转载说明>******
转载注明:诚实的偷包贼
原文地址:http://blog.csdn.net/fanfank/article/details/8974561
******<转载说明/>******

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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