- 博客(28)
- 收藏
- 关注
RSS订阅原创 【蓝桥杯】真题 路径（数论+dp）
求最小公倍数LCM问题很好求，这里看似是求图最短路径，实际上由于只有[i,i+21]之间存在路径，所以用线性dp效率更高，当然用bfs，dijstra，floyed也可，毕竟是填空题。
2025-03-25 23:11:16
255
原创 【蓝桥杯】真题 2386染色时间 （优先队列BFS）
这里每一个格子染色多了时间这一层限制，相当于图的每一边有了权重的限制，那么我们就不能直接用双向队列求最短路。而是使用优先队列。规则是这样的：每一个节点可以多次入队，但是只有第一次出队有效。所以这次我们不会在加入队列时更改标签vis，而是在出队时更改标签。如果在出队时发现vis已经更改，这说明这个元素以前出过队列（不是第一次出队），则直接continue。
2025-03-23 01:43:56
418
1
原创 【蓝桥杯】4535勇闯魔堡（多源BFS + 二分）
k有一个范围（0到怪物攻击的最大值），求满足要求的k的最小值。很明显的二分套路。关键是check函数怎么写，我们需要找到一条从第一行到最后一行的路径，每一次可以从上下左右四个方向前进，那么我么可以用BFS来查找是否存在。这里还有一个思维上的关键点，在开始时我们可以随机选一个点出发，如果我们用遍历第一行满足要求的格子，用bfs依次判断，那么这题样例只能过60%。实际上只需把所有满足要求的格子都加入到deque，用多源dfs来一次性查找路径，才能通过所有样例。
2025-03-23 01:25:43
603
原创 【蓝桥杯】12111暖气冰场（多源BFS 或者 二分）
这题可以用BFS做，也可以用二分来做。用二分这里只提供一个思路：对时间来二分查找，check函数就是检查在特定的时间t0内每一个暖气炉的传播距离能否覆盖所有格子。用BFS做：由几个点开始向外扩散，知道铺满整个面。可以用BFS来做，原本的BFS是从一个点开始加入deque，多源BFS那现在就先把所有的暖气炉加入deque，再遍历就行了。还有一个注意点，题目的输出是花了多少时间，也就是扩散的轮数，我们可以用距离来度量时间，一秒钟一格，所以我们时刻更新所出现的距离暖气炉最远的距离即可。
2025-03-22 22:55:30
262
原创 【蓝桥杯】742合唱队形（DP LIS）
借这题复习一下LIS，实际上是LIS的升级版，求一个\/形或者/\行，用两次最长上升子串即可。先从前往后求递增，再从后往前求递减。先把满足要求的最长队形求出来，总人数减去队形人数就是要出列的数目。
2025-03-18 15:48:08
244
原创 【蓝桥杯】省赛：缴纳过路费（并查集）
这题很有意思，路线以最贵的那一段收费w为标准，而只要w在区间[l,r]之间即可。所以城市对之间必须至少有一段路价格不小于l，至于大于r（超费）的输入，直接不理他（不加入图）即可。最后求的是城市对的数量，可以用并查集，把路段价格小于R满足的城市加入到集合A中，再把所有路段价格小于l的城市再存入另一个集合B，最后两两组合配对，从集合A中所有配对数量减去B中配对数量。所以额外需要记录根节点的sizepairn−1n−2...1n∗n−1//2最终anspair。
2025-03-17 21:22:22
1526
原创 【蓝桥杯】1124修建公路1（Kruskal算法）
找到能够连通所有城市的最小树即可，可用Prim或Kruscal。！！注意，m的范围是包括0的，可就是包含没有道路的情况，要单独输出0。
2025-03-17 17:30:16
258
原创 【蓝桥杯】24省赛：数字串个数
本质是组合数学问题：9个数字组成10000位数字有9**10000可能不包括3的可能8**10000不包括7的可能8**10000既不包括3也不包括77**10000根据容斥原理：结果为9∗∗10000−8∗∗10000−8∗∗100007∗∗10000。
2025-03-15 21:01:11
699
原创 【IDL】 变量及其基本操作
IDL是一种适用于数据分析和可视化的编程语言。本文介绍 IDL 变量的基本操作，包括变量定义、科学计数法、类型转换、变量属性和方法，以及无效值和无限值的处理。
2025-03-02 20:16:06
399
原创 【蓝桥杯】Python算法——求逆元的两种算法
介绍了两种方法求解逆元：扩展欧几里得算法和费马小定理算法，前者实用性广，而后者有一个前提，即模数必须为素数，不过一般用费马小定理的情况要多一些。
2025-01-16 00:57:46
1246
原创 【蓝桥杯】Python算法——快速幂
如何快速求a^b=p？如果直接循环aaa…毫无疑问时间复杂度是很大的，那么怎么降低计算量呢？快速幂就是从幂运算的性质出发，提出的优化。
2025-01-14 22:59:37
2259
原创 【快速了解】ENVI基础入门
通过学习和操作ENVI软件，熟悉遥感图像的基本处理和分析方法，掌握Landsat5/TM影像的打开、显示、增强、统计与像元定位等基本技能，为后续遥感数据分析奠定基础。
2025-01-11 22:41:45
1336
原创 【PyTorch】常用网络层layers总结
PyTorch中网络搭建主要是通过调用layers实现的，这篇文章总结了putorch中最常用的几个网络层接口及其参数。本文对pytorch使用最多的layers进行了介绍，重点介绍了网络层接口以及参数。
2024-09-09 06:23:00
1332
原创 【PyTorch】使用容器(Containers)进行网络层管理(Module)
本文介绍PyTorch库常用的nn.Sequential，nn.ModuleList，nn.ModuleDict容器以及nn.ParameterList & ParameterDict参数容器。容器是pytorch框架对网络进行组织管理的实用工具，合理运用可以极大提高代码的可读性与可维护性。
2024-09-06 22:07:40
1102
原创 ArcGIS：成分栅格编码-矢量数据的综合分析
实习目的：成分栅格的基本原理和方法 、综合运用矢量数据分析方法制作成分栅格 、分析不同栅格编码方法的特点实验内容：根据某地的土地利用现状数据，综合运用多种方法，生成土地利用的成分栅格数据实习数据：地类图斑、行政区实验原理与方法：在数据四至范围内创建与像元同样大小的格网多边形，格网多边形与土地利用数据叠加，统计各格网多边形内各种地类的面积并计算面积比例，将统计表中的数据按各个地类分别选择出来并输出为独立的表格，将耕地的输出表格与格网多边形进行属性连接。
2024-07-29 21:43:48
2357
1
原创 测量平差中的误差椭圆详解
误差椭圆反映了测量结果在平差过程中的不确定性。它是由测量中的协方差矩阵计算得出的一种几何图形，描述了测量值在不同方向上的分布及其相对于平均值的离散程度。在平差过程中，通常会得到协方差矩阵，其中包括主要的方差和协方差项。# 定义协方差矩阵元素本文详细介绍了测量平差中的误差椭圆，通过Python实现了计算和绘制误差椭圆的过程。我们从定义误差椭圆的概念开始，到解释了如何利用协方差矩阵计算主要参数，再到最终的绘图展示，帮助读者全面了解了误差椭圆在测量学中的重要作用。
2024-07-27 21:10:30
1246
原创 Arcgis：空间数据分幅与预处理
利用Arcgis，掌握空间数据分幅和处理的基本方法与技巧，通过用研究区剪裁拼接后的地图，成功获取了研究区内的土地利用数据。
2024-07-26 21:09:42
2579
原创 计算机视觉基础：Harris角点检测算法手撕
Harris角点检测是计算机视觉的经典算法，这一篇文章带你看懂这个基础且强大的角点检测算法，牢固cv基础。
2024-07-25 12:25:58
2213
原创 K-means算法手撕：原理、代码、结果
K-Means算法是一种常见且高效的无监督聚类算法，广泛应用于数据挖掘和机器学习领域。它通过将数据点划分为K个簇，极大简化了数据的复杂性。这一期我们来学习这个简单且强大的算法。
2024-07-24 17:40:19
1163
2
原创 PyTorch：一文了解pytorch模块结构
上一篇文章我们介绍学习了Pytorch的Autograd模块，除此之外还有哪些重要模块值得我们了解呢？本期重点介绍pytorch的关键模块。
2024-07-23 22:24:03
1235
原创 Autograd：PyTorch自动求导模块基础
在深度学习中，反向传播和梯度计算是模型训练的核心。在上一节我们以均方误差作为梯度下降算法的优化准则，以手动求导的方式构建代码。（这太笨了！）那么有什么更优雅的方式来实现函数的自动求导吗？当然有。这一期我们来学习PyTorch的Autograd模块。
2024-07-22 21:11:57
1050
1
原创 深度学习基础：梯度下降算法手撕
在深度学习中，梯度下降算法发挥着重要作用。由于深度学习模型通常具有大量的参数，因此需要一个高效的优化算法来更新这些参数。梯度下降算法通过计算损失函数关于每个参数的梯度，沿着梯度的反方向更新参数，从而实现对模型的训练。这个步骤可以通过调用已封装好的模块自动实现，但是为了加深对于模型原理的理解，本期我们以线性拟合为例介绍梯度下降算法的数学原理和代码实现。
2024-07-22 21:08:49
1052
ENVI实习1 ENVI基础入门
2025-01-11
Harris角点检测算法实验资料（原理、代码、结果）
2024-07-24
K-means算法实验资料（原理、代码、结果）
2024-07-24
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人