cf451c

很好的一道水题

题意说,给定比赛的总场数n,错过的场数k,以及错过的这些场比赛三只球队a与b,b与c的胜场差,求是否存在一种比赛结果,使得三只球队的胜场数相同。

方法是根据k场比赛的结果,枚举所有情况,判断能否满足条件,如果都不满足,就输出no,否则yes。

条件分别为:

1):去掉假设已知的比赛结果a,剩余的场数k-a一定能被3整除,否则无法满足朋友记的比分差。

2):用n-k场未知的比赛的一些场次去填补k场已知的比赛结果使得三只球队胜场数相同,然后再看剩余的场数是否能够被3整除,不能则不能均分胜场,无法满足。

3):以上两个剩余场次一定非负(这句有点像废话)

四种情况分别为:

a:d1+d2+x       b:d2+x       c:x    条件为:(n-k-2*d1-d2)%3==0 && (n-k-2*d1-d2)>=0 && (k-2*d2-d1)>=0 && (k-2*d2-d1)%3==0

a:d1+x              b:x       c:d2 +x   条件为:(n-k-2*d1+d2)%3==0 && (n-k-2*d1+d2)>=0 && (k-2*d2+d1)>=0 && (k-2*d2+d1)%3==0

a:x       b:d1+x       c:d1-d2+x   条件为:(n-k-d1-d2)%3==0 && (n-k-d1-d2)>=0 && (k-d2-2*d1)>=0 && (k-d2-2*d1)%3==0

a:x       b:d1+x       c:d1+d2+x  条件为:(n-k-2*d2-d1)%3==0 && (n-k-2*d2-d1)>=0 && (k-2*d1-d2)>=0 && (k-2*d1-d2)%3==0

可以在纸上画画,很快就能得到结果。

附代码:

#include <iostream>
#include <cstring>
#include <cstdio>

using namespace std;

int main()
{
    int t;
    long long n,k,d1,d2,x,y;
    scanf("%d",&t);
    while(t--)
    {
        bool flag=0;
        scanf("%I64d%I64d%I64d%I64d",&n,&k,&x,&y);
        d1=max(x,y);
        d2=min(x,y);
        if(n%3!=0 || n/3<d1)flag=0;
        else{
        if(d1==0 && d2==0 && n==k)flag=1;
        else if(k<=n)
        {
            if(n-k-d1-2*d2>=0 && (n-k-d1-2*d2)%3==0 && (k-2*d1-d2)%3==0 && k-2*d1-d2>=0)
            {
                flag=1;
            }
            else if(n-k-d1-d2>=0 && (n-k-d1-d2)%3==0 && (k-2*d1+d2)%3==0 && k-2*d1+d2>=0)
            {
                flag=1;
            }
            else if(n-k-2*d1+d2>=0 && (n-k-2*d1+d2)%3==0 && (k-d1-d2)%3==0 && k-d1-d2>=0)
            {
                flag=1;
            }
            else if(n-k-2*d1-d2>=0 && (n-k-2*d1-d2)%3==0 && (k-d1-2*d2)%3==0 && k-d1-2*d2>=0)
            {
                flag=1;
            }
        }
        }
        if(flag)printf("yes\n");
        else printf("no\n");
    }
    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