hdu 4876 ZCC loves cards(暴力)

582 篇文章 0 订阅
223 篇文章 1 订阅

题目链接:hdu 4876 ZCC loves cards

题目大意:给出n,k,l,表示有n张牌,每张牌有值。选取其中k张排列成圈,然后在该圈上进行游戏,每次选取m(1≤m≤k)张连续的牌,取牌上值的亦或和。要求找到一个圈,使得L~R之间的数都可以得到,输出R。如果R < L输出0.

解题思路:暴力,首先预处理出来每种选取的亦或值,然后在该基础上从可以组成L的状态中挑选一个,L+1的状态中挑取一个,知道说总的挑取出所有状态中选中的牌的个数大于K为值,然后用全排序去查找最大的R。

#include <cstdio>
#include <cstring>
#include <vector>
#include <map>
#include <algorithm>

using namespace std;
typedef long long ll;
const int maxn = 200;
const int maxc = 25;
const int maxs = 1<<20;
const int maxt = 20005;

bool flag;
int ans, rec, dp[maxs+5];
int N, K, L, arr[maxc];
int vec[maxn][maxt], c[maxn];

inline int bitcount (int s) {
    return s == 0 ? 0 : bitcount(s/2) + (s&1);
}

void dfs (int d, int s, int val, int f) {
    if (d == K + 1)
        return;

    vec[val][c[val]++] = s;

    for (int i = f + 1; i < N; i++)
        dfs (d+1, s|(1<<i), val^arr[i], i);
}

void init () {
    flag = true;
    ans = rec = 0;
    memset(c, 0, sizeof(c));
    memset(dp, 0, sizeof(dp));

    for (int i = 0; i < N; i++)
        scanf("%d", &arr[i]);

    dfs(0, 0, 0, -1);
}

int check (int* a) {
    int v[maxn];
    memset(v, 0, sizeof(v));

    for (int m = 1; m <= K; m++) {
        int tmp = a[0];
        for (int i = 1; i < m; i++)
            tmp ^= a[i];

        for (int i = 0; i < K; i++) {
            v[tmp] = 1;
            tmp ^= (a[i] ^ a[i+m]);
        }
    }

    int ans = L;
    while (v[ans] && ans < maxn)
        ans++;
    return ans - 1;
}

void judge (int s) {
    int cnt = 0, a[2*maxn];

    for (int i = 0; i < N; i++) {
        if (s&(1<<i))
            a[cnt++] = arr[i];
    }

    sort(a + 1, a + cnt);
    do {
        for (int i = 0; i < cnt; i++)
            a[i+cnt] = a[i];

        ans = max(ans, check(a));
    } while (next_permutation(a + 1, a + cnt));
}
/*
*/

void solve (int d, int s) {
    int cnt = bitcount(s);

    rec = max(d, rec);
    if (cnt >= K || d >= maxn) {
        if (cnt == K) {
            judge(s);
            flag = false;
        }
        return;
    }

    for (int i = 0; i < c[d]; i++) {
        int s0 = (s | vec[d][i]);
        if (dp[s0]) continue;
        solve(d+1, s0);
        dp[s0] = 1;
    }
}

int main () {
    while (scanf("%d%d%d", &N, &K, &L) == 3) {
        init();
        solve(L, 0);

        if (flag)
            ans = rec - 1;
        printf("%d\n", ans < L ? 0 : ans);
    }
    return 0;
}
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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