AtCoder Beginner Contest 166 F Three Variables Game 中庸之道

AtCoder Beginner Contest 166   比赛人数11690  比赛开始后11分钟看到所有题

AtCoder Beginner Contest 166  F  Three Variables Game   中庸之道

总目录详见https://blog.csdn.net/mrcrack/article/details/104454762

在线测评地址https://atcoder.jp/contests/abc166/tasks/abc166_f

思路:

1.若当前两字母数量不等,让数量多的减1,数量少的加1.可以这样考虑,因测试数据是随机生成,之后的数据,遇到两字母的概率应该均等,故采用中庸之道,让两者数量尽量接近。

2.若当前两字母数量相等,考虑让接下来马上要用到的加1(因为只有3个字母,所有一定会有一个字母,接下来马上用到),另一个减1

3.若当前需要减1的数量是0,那么输出No.

样例模拟如下

Input:
8 6 9 1
AC
BC
AB
BC
AC
BC
AB
AB
Output:
Yes
C
C
A
C
C
C
B
A

8 6 9 1
AC
6>1 6-1=5,1+1=2,输出C   当前A,B,C数量5,9,2

BC
9>2 9-1=8,2+1=3,输出C   当前A,B,C数量5,8,3

AB
5<8 8-1=7,5+1=6,输出A   当前A,B,C数量6,7,3

BC
7>3 7-1=6,3+1=4,输出C   当前A,B,C数量6,6,4

AC
6>4 6-1=5,4+1=5,输出C   当前A,B,C数量5,6,5

BC
6>5 6-1=5,5+1=6,输出C   当前A,B,C数量5,5,6

AB
5==5 接下来马上会用到B 让B加,A减,5-1=4,5+1=6,输出B   当前A,B,C数量4,6,6

AB
4>6 6-1=5,4+1=5,输出A   当前A,B,C数量5,5,6

AC代码如下

#include <cstdio>
#include <algorithm>
#define maxn 100010
using namespace std;
char in[3];
int n,v[3],p[maxn],q[maxn],ans[maxn];
int main(){
	int i;
	scanf("%d",&n);
	for(i=0;i<3;i++)scanf("%d",&v[i]);//v[0]代表'A'的数量,v[1]代表'B'的数量,v[2]代表'C'的数量
	for(i=1;i<=n;i++)scanf("%s",in),p[i]=in[0]-'A',q[i]=in[1]-'A';
	for(i=1;i<=n;i++){
		if(v[p[i]]>v[q[i]])swap(p[i],q[i]);//让v[]小的在前
		else if(v[p[i]]==v[q[i]]){
			if(i+1<=n&&(q[i]==p[i+1]||q[i]==q[i+1]))swap(p[i],q[i]);//让接下来马上要用到的,在前
		}
		if(!v[q[i]])return 0*printf("No\n");
		v[p[i]]++,v[q[i]]--,ans[i]=p[i];
	}
	printf("Yes\n");
	for(i=1;i<=n;i++)printf("%c\n",'A'+ans[i]);
	return 0;
}

该题总体印象,数据弱,很多代码虽能AC,但贪心正确与否,还是值得商榷的。

  • 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