1684 大型植被恢复(枚举)

1. 问题描述:

长时间的干旱使得 Farmer John 的 N 块草地上牧草匮乏。随着雨季即将到来,现在应当是重新种植的时候了。在 Farmer John 的储物棚里有四个桶,每个桶里装着一种不同的草种。他想要在每块草地上播种其中一种草。作为一名奶农,Farmer John 想要确保他的每头奶牛都能得到丰富的食谱。他的 M 头奶牛每一头都有两块喜爱的草地,他想要确保这两块草地种植不同种类的草,从而每头奶牛都可以选择两种草。已知每块草地最多被 3 头奶牛喜爱。请帮助 Farmer John 选择每块草地所种的草的种类,使得所有奶牛的营养需求都得到满足。

输入格式

输入的第一行包含 N 和 M。以下 M 行,每行包含两个范围为 1…N 的整数,为 Farmer John 的一头奶牛喜欢的两块草地。

输出格式

输出一个 N 位数,每一位均为 1…4 之一,表示每一块草地上所种的草的种类。第一位对应草地 1 的草的种类,第二位对应草地 2,以此类推。如果有多种可行的解,只需输出所有解中最小的 N 位数。

数据范围

2 ≤ N ≤ 100,
1 ≤ M ≤ 150

输入样例:

5 6
4 1
4 2
4 3
2 5
1 2
1 5

输出样例:

12133
来源:https://www.acwing.com/problem/content/1686/

2. 思路分析:

分析题目可以知道已知有n块草地,每头奶牛都有两块喜爱的草地,我们需要在这n块草地上种植草种并且需要满足所有奶牛喜爱的两块草地不能够种植一样的草种。实际上我们可以将草地看成是一个点,奶牛喜爱的两块草地连一条边,由题目可知每一个点最多有三条边与之相连,而且数据规模不是特别大所以可以使用暴力枚举,因为需要求解出字典序最小的方案所以我们可以从小到大枚举每一块草地可以种植的草的种类,当当前草地可以种植当前草种的时候那么标记一下当前草地连接的另外一个端点是不能够是相同的草种,我们在实际写代码的时候可以声明一个标记数组st用来标记当前草地可以使用的草种是否已经被访问了,如果没有被访问那么当前的草地就可以种植当前的草种,标记一下当前点连接的另外一个点相同的草种已经被访问过了。

3. 代码如下:

class Solution:
    def process(self):
        # 暴力枚举
        n, m = map(int, input().split())
        g = [list() for i in range(n + 10)]
        for i in range(m):
            # 将两块草地看成是点
            a, b = map(int, input().split())
            # 无向边
            g[a].append(b)
            g[b].append(a)
        # 标记列表用来标记草地对应的四种草种是否已经被访问
        st = [[0] * 5 for i in range(n + 10)]
        # 枚举所有的草地
        for i in range(1, n + 1):
            # 枚举所有的颜色找到第一个可能的颜色(草种可以看成是颜色)
            for j in range(1, 5):
                if st[i][j] == 0:
                    print(j, end="")
                    # 标记另外的端点不能够是相同的颜色
                    for next in g[i]:
                        st[next][j] = 1
                    break


if __name__ == '__main__':
    Solution().process()
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而性能高,更加灵活和易用,当前非常流行。 本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。 本课程的YOLOv5使用ultralytics/yolov5,在Windows系统上做项目演示。包括:安YOLOv5、标注自己的数据集、准备自己的数据集、修改配置文件、使用wandb训练可视化工具、训练自己的数据集、测试训练出的网络模型和性能统计。 希望学习Ubuntu上演示的同学,请前往 《YOLOv5(PyTorch)实战:训练自己的数据集(Ubuntu)》课程链接:https://edu.csdn.net/course/detail/30793  本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程,包括:《YOLOv5(PyTorch)目标检测实战:训练自己的数据集》Ubuntu系统 https://edu.csdn.net/course/detail/30793Windows系统 https://edu.csdn.net/course/detail/30923《YOLOv5(PyTorch)目标检测:原理与源码解析》课程链接:https://edu.csdn.net/course/detail/31428《YOLOv5目标检测实战:Flask Web部署》课程链接:https://edu.csdn.net/course/detail/31087《YOLOv5(PyTorch)目标检测实战:TensorRT加速部署》课程链接:https://edu.csdn.net/course/detail/32303《YOLOv5目标检测实战:Jetson Nano部署》课程链接:https://edu.csdn.net/course/detail/32451《YOLOv5+DeepSORT多目标跟踪与计数精讲》课程链接:https://edu.csdn.net/course/detail/32669《YOLOv5实战口罩佩戴检测》课程链接:https://edu.csdn.net/course/detail/32744《YOLOv5实战中国交通标志识别》课程链接:https://edu.csdn.net/course/detail/35209《YOLOv5实战垃圾分类目标检测》课程链接:https://edu.csdn.net/course/detail/35284       

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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