山东省第七届ACM大学生程序设计竞赛 J题 Execution of Paladin 模拟

题意:

炉石传说:
你有一张法术卡,可以从死亡的鱼人列表里召唤出7张死去的鱼人,当前回合你只有这一张法术卡,现在给你死亡的鱼人列表,和对方英雄的血量,问你一回合内能不能直接干掉他;
死亡的鱼人列表里有4种鱼人:
c:每个玩家再抽两张卡牌
m:所有的鱼人卡片攻击+2,生命+1
b:冲锋,当前回合可以直接攻击
o:冲锋,并且除了他自己有几张鱼人卡片,给自己加几点攻击

分析:

模拟,模拟一遍过程,统计当前回合内可以冲锋的鱼人的攻击力之和,大于对方英雄,输出“Mrghllghghllghg!”,否则,输出“Tell you a joke, the execution of Paladin.”。。
炉石传说—这次校内赛出题最快的两个队,各有一个玩游戏的大神—-本校一队这个题基本最后才提交,读不懂题,理解不了,没有玩过,醉了~~~~

代码:

#include<iostream>
#include<algorithm>
#include<cstring>
#include<cmath>
#include<queue>
#include<stdio.h>
#define mod 7
#define Max 1000000000
#define ll long long
using namespace std;
char ch[7][2];
int main()
{

    int t;
    cin >> t;
    while(t--)
    {
        int n,h;
        cin >> n >> h;
        getchar();
        for(int i = 0; i < n; i++)
        {

            char a[25];
            gets(a);
            ch[i][0] = a[0];
            if(ch[i][0] =='B') ch[i][1] = 2;
            if(ch[i][0] =='M') ch[i][1] = 3;
            if(ch[i][0] =='C') ch[i][1] = 2;
            if(ch[i][0] =='O') ch[i][1] = 2;

        }
        for(int i = 0; i < n; i++)
        {
            if(ch[i][0] == 'M')
            {
                for(int i = 0; i < n;i++)
                    ch[i][1] +=2;
            }
            if(ch[i][0] == 'O')
            {
                ch[i][1]+=n-1;
            }
        }
         int sum = 0;
        for(int i = 0; i< n; i++)
        {
            if(ch[i][0] =='B'||ch[i][0] == 'O')
                sum +=ch[i][1];
        }
        //cout << sum <<  endl;
        if(sum>=h)
            cout << "Mrghllghghllghg!" << endl;
        else
            cout << "Tell you a joke, the execution of Paladin." << 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
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