Saruman’s Level Up Gym - 101656G CSU 2069

题目链接: https://vjudge.net/problem/Gym-101656G // 也可在CSU 2069提交

题意: 给你一个十进制的数 二进制 111,也就是十进制的7表示第一个等级,问你所给的十进制是第几个等级

思路: 拿到题目首先想到的就是组合数,但是比赛的时候把这个过程想的太过复杂。我们假设这个数是n位二进制

1.其实就是考虑每一个1,假设它为最高位,这样的话 剩余的n-1位的范围就是 n-1个0 到 n-1个1,我们只需要用组合数C(3,n-1)

2.最高位肯定是1,下移的时候,我们要标记上次所用的1,保持上界的不变,也就是这个数不会溢出,这时候就用到了cnt变量,记录之前的1,后面的长度 只需要是 Len - i - 1,这个长度的表示应该是常识了。我们所需要排列的1 小于3的时候, 3 - cnt,超过3的时候 3 - cnt%3。依次遍历就好

3.这个想法会漏掉的情况就是,比如11111 会漏掉 11100这个位置,因为 到第三个1的时候 我们假设它为0 来枚举的,并没有考虑它自己为1,(因为它自己为1的话,是3的倍数,我们根据第二步的3 - cnt%3 得到3,不会考虑都为0的情况),且cnt正好等于3的倍数的情况,所以只需要在最后特判一下即可。1000表示为1111101000同理,会少两种情况。

4.涉及到大数的运算和转换为二进制的操作,并且将需要的数字转化为字符串,如果用Java会方便很多

#include <vector>
#include <stdio.h>
#include <string.h>
#include <iostream>
#include <algorithm>
#include <string>
#include <cstdlib>


using namespace std;
typedef unsigned long long LL;
const int L = 110;


string mul(string a, string b) { //高精度乘法a,b,均为非负整数
    string s;
    int na[L], nb[L], nc[L], La = a.size(), Lb = b.size(); //na存储被乘数,nb存储乘数,nc存储积
    fill(na, na + L, 0);
    fill(nb, nb + L, 0);
    fill(nc, nc + L, 0); //将na,nb,nc都置为0
    for(int i = La - 1; i >= 0; i--) na[La - i] = a[i] - '0'; //将字符串表示的大整形数转成i整形数组表示的大整形数
    for(int i = Lb - 1; i >= 0; i--) nb[Lb - i] = b[i] - '0';
    for(int i = 1; i <= La; i++)
        for(int j = 1; j <= Lb; j++)
            nc[i + j - 1] += na[i] * nb[j]; //a的第i位乘以b的第j位为积的第i+j-1位(先不考虑进位)
    for(int i = 1; i <= La + Lb; i++)
        nc[i + 1] += nc[i] / 10, nc[i] %= 10; //统一处理进位
    if(nc[La + Lb]) s += nc[La + Lb] + '0'; //判断第i+j位上的数字是不是0
    for(int i = La + Lb - 1; i >= 1; i--)
        s += nc[i] + '0'; //将整形数组转成字符串
    return s;
}


string add(string a, string b) { //只限两个非负整数相加
    string ans;
    int na[L] = {0}, nb[L] = {0};
    int la = a.size(), lb = b.size();
    for(int i = 0; i < la; i++) na[la - 1 - i] = a[i] - '0';
    for(int i = 0; i < lb; i++) nb[lb - 1 - i] = b[i] - '0';
    int lmax = la > lb ? la : lb;
    for(int i = 0; i < lmax; i++) na[i] += nb[i], na[i + 1] += na[i] / 10, na[i] %= 10;
    if(na[lmax]) lmax++;
    for(int i = lmax - 1; i >= 0; i--) ans += na[i] + '0';
    return ans;
}


int sub(int *a, int *b, int La, int Lb) {
    if(La < Lb) return -1; //如果a小于b,则返回-1
    if(La == Lb) {
        for(int i = La - 1; i >= 0; i--)
            if(a[i] > b[i]) break;
            else if(a[i] < b[i]) return -1; //如果a小于b,则返回-1


    }
    for(int i = 0; i < La; i++) { //高精度减法
        a[i] -= b[i];
        if(a[i] < 0) a[i] += 10, a[i + 1]--;
    }
    for(int i = La - 1; i >= 0; i--)
        if(a[i]) return i + 1; //返回差的位数
    return 0;//返回差的位数


}


string div(string n1, string n2, int nn) { //n1,n2是字符串表示的被除数,除数,nn是选择返回商还是余数
    string s, v; //s存商,v存余数
    int a[L], b[L], r[L], La = n1.size(), Lb = n2.size(), i, tp = La; //a,b是整形数组表示被除数,除数,tp保存被除数的长度
    fill(a, a + L, 0);
    fill(b, b + L, 0);
    fill(r, r + L, 0); //数组元素都置为0
    for(i = La - 1; i >= 0; i--) a[La - 1 - i] = n1[i] - '0';
    for(i = Lb - 1; i >= 0; i--) b[Lb - 1 - i] = n2[i] - '0';
    if(La < Lb || (La == Lb && n1 < n2)) {
        //cout<<0<<endl;
        return n1;
    }//如果a<b,则商为0,余数为被除数
    int t = La - Lb; //除被数和除数的位数之差
    for(int i = La - 1; i >= 0; i--) //将除数扩大10^t倍
        if(i >= t) b[i] = b[i - t];
        else b[i] = 0;
    Lb = La;
    for(int j = 0; j <= t; j++) {
        int temp;
        while((temp = sub(a, b + j, La, Lb - j)) >= 0) { //如果被除数比除数大继续减
            La = temp;
            r[t - j]++;
        }
    }
    for(i = 0; i < L - 10; i++) r[i + 1] += r[i] / 10, r[i] %= 10; //统一处理进位
    while(!r[i]) i--;//将整形数组表示的商转化成字符串表示的
    while(i >= 0) s += r[i--] + '0';
    //cout<<s<<endl;
    i = tp;
    while(!a[i]) i--;//将整形数组表示的余数转化成字符串表示的</span>
    while(i >= 0) v += a[i--] + '0';
    if(v.empty()) v = "0";
    //cout<<v<<endl;
    if(nn == 1) return s;
    if(nn == 2) return v;
}


string num, sum;
LL cnt, n;


//将所给10进制转化为2进制
void trans(LL n) {
    while(n) {
        num.push_back(n % 2 + '0');
        n /= 2;
    }
    reverse(num.begin(), num.end());
} 


//将一些数据转为字符串进行大数运算
string trans1(LL n) {
    string a;
    while(n) {
        a.push_back(n % 10 + '0');
        n /= 10;
    }
    reverse(a.begin(), a.end());
    return a;
}


int main() {
//    freopen("in.txt","r",stdin);
    //freopen("out.txt","w",stdout);
    while(cin >> n) {
        sum = "0", num.clear();
        cnt = 0;
        trans(n);
        int len = num.length();
//        cout<<num<<endl;
        int a = 0;
        for(int i = 0; i < len; i++) {
            if(num[i] == '1') {
                LL l = len - i - 1,c = 0;
                c = 3 - cnt % 3;
//                cout<<c<<" "<<l<<endl;
                while(c  <= l) {
                    string s1 = "1", s2 = "1", s = "1";
                    for(LL i = l; i >= l - c + 1; i--) {
                        s1 = mul(s1, trans1(i));
                    }
                    for(LL i = c; i >= 1; i--) {
                        s2 = mul(s2, trans1(i));
                    }
                    s = div(s1, s2, 1);
                    sum = add(sum, s);
                    c += 3;
                }
                cnt++;
                if(cnt % 3 == 0) sum = add(sum,"1");
            }
        }
            cout << "Day " << n << ": Level = " << sum << endl;
    }
    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