【hash】Conformity

AI全球合规实操指南:欧盟AI法案、NIST框架与中国备案制技术落地 人工智能治理已从抽象原则进入具体工程阶段。理解AI监管,首先要把握其核心范式——不是‘能否使用’的许可制,而是‘如何构建’的过程可控体系。欧盟AI法案强调责任可追溯性,要求将审计线索嵌入系统基础设施;美国NIST AI RMF聚焦风险弹性,依赖可观测性驱动持续响应;中国《生成式人工智能服务管理暂行办法》则推行场景化责任锚定,倒逼模型具备动态合规感知能力。三者差异本质是治理逻辑不同,而非政策冲突,其技术价值在于推动AI系统向可信、可验、可演进方向重构。典型应用场景包括跨境SaaS的多辖区API契约设计、医疗/ 阅读详情


Conformity
Time Limit: 1000MS Memory Limit: 65536K
Total Submissions: 2559 Accepted: 785

Description

Frosh commencing their studies at Waterloo have diverse interests, as evidenced by their desire to take various combinations of courses from among those available.

University administrators are uncomfortable with this situation, and therefore wish to offer a conformity prize to frosh who choose one of the most popular combinations of courses. How many frosh will win the prize?

Input

The input consists of several test cases followed by a line containing 0. Each test case begins with an integer 1 ≤ n ≤ 10000, the number of frosh. For each frosh, a line follows containing the course numbers of five distinct courses selected by the frosh. Each course number is an integer between 100 and 499.

The popularity of a combination is the number of frosh selecting exactly the same combination of courses. A combination of courses is considered most popular if no other combination has higher popularity.

Output

For each line of input, you should output a single line giving the total number of students taking some combination of courses that is most popular.

Sample Input

3
100 101 102 103 488
100 200 300 101 102
103 102 101 488 100
3
200 202 204 206 208
123 234 345 456 321
100 200 300 400 444
0

Sample Output

2
3



原来说这题是用到hash的,所以做了下,结果发现主要的部分还是排序。
给出每个学生的选课组合,当与其他学生选课组组合相同时  受欢迎度加一
求最受欢迎的选课组合的人数是多少 .

#include<cstdio>
#include<algorithm>
using namespace std;
long long num[10001];
int main()
{
    int n,x[5];
    __int64 ans;
    for(;scanf("%d",&n),n;)
    {
        for(int i=0;i<n;++i)
        {
            ans=0;
            scanf("%d%d%d%d%d",&x[0],&x[1],&x[2],&x[3],&x[4]);
            sort(x,x+5);
            for(int j=0;j<5;++j)
               ans=ans*1000+x[j];
            num[i]=ans;
        }
        sort(num,num+n);
        int maxx=0,flag=0;
        for(int i=0,j=0;i<n;j=0)
        {
                for(j=i;j<n&&num[i]==num[j];++j);
                if(maxx<(j-i))
                   maxx=(j-i);
                i=j;
        }
        for(int i=0,j=0;i<n;j=0)
        {
                for(j=i;j<n&&num[i]==num[j];++j);
                if(maxx==(j-i))
                   flag+=maxx;
                i=j;
        }
        printf("%d\n",flag);
    }
    return 0;
}

来源: http://blog.youkuaiyun.com/ACM_Ted

欧盟AI法案风险分级与高风险系统合规实操指南 人工智能治理正从伦理倡议走向可审计的工程实践。欧盟AI法案(AI Act)以风险分级(Risk-Based Approach)为核心逻辑,将AI系统按实际用途与部署场景划分为不可接受、高风险、有限风险和最小风险四类,其中高风险AI系统需满足技术文档包(TDP)、合规评估(Conformity Assessment)、数据治理与算法透明度等硬性要求。该框架不禁止技术本身,而是强制保障其在招聘、金融、医疗、执法等关键场景下的安全性、公平性与可追溯性。通用AI模型(General-Purpose AI)亦被纳入规 阅读详情

相关推荐

EU AI Act合规实战指南:从风险分类到代码级落地

欧盟人工智能法案(EU AI Act)是全球首个对AI实施全生命周期、分层分类监管的法律框架,其核心在于按实际应用场景与影响程度划分风险等级,而非技术形态本身。它将AI系统划分为不可接受、高风险、有限风险和最小风险四类,其中高风险系统覆盖教育、招聘、信贷、医疗等17类关键领域,要求开发者履行风险评估、数据治理、技术文档、人为监督、鲁棒性保障等七项强制义务。该法案具有域外效力,任何影响欧盟自然人的AI系统均需合规,无论部署地或注册地。技术价值体现在推动AI工程化升级——将合规嵌入CI/CD流水线、自动生成可验

weixin_34364071的博客 490

POJ 3640 Conformity(Hash)

Description Frosh commencing their studies at Waterloo have diverse interests, as evidenced by their desire to take various combinations of courses from among those available. University administr

I good vegetable a! 1091

AI展会30天技术履约指南:从合规压测到边缘稳定推理

AI系统在展会场景下的可靠运行,本质是工程鲁棒性、数据合规性与实时服务稳定性的三重统一。其底层原理涉及模型轻量化部署、GDPR就绪的数据合成、低延迟可解释性(XAI)生成及高干扰网络环境下的服务韧性设计。这类技术实践不仅支撑AI产品在Expo Europe等严苛现场‘零故障演示’,更沉淀为可复用的边缘AI交付能力与AI治理资产。尤其在欧盟AI法案落地背景下,训练数据谱系图、人工接管通道、碳足迹测算等已成强制准入条件。本文聚焦AI展会倒计时30天的关键技术攻坚路径,涵盖TensorRT量化、合成数据工厂、功耗

cunbei2644的博客 804

Conformity HDU - 1904

  把每行的5个数,升序排序然后将每个数字当成是一个字符,求这个5个数对应的hash值,然后求某种hash值出现最多的次数是多少,因为我把每行的那5个数的hash值都存入了mp里,所以遍历一遍mp,如果对应hash值出现次数等于最大次数就加否则不加,这样就可以求得选最受欢迎的课程的学生人数了 #include&lt;bits/stdc++.h&gt; using namespace std;...

SEIZE THE DAY 389

【信息科学与工程学】【审计学】第一篇 招投标领域审计算法01

在每个关键流程节点(如文件上传、开标唱标、评标结束), 计算该环节所有电子文件的数字指纹(如SHA-256哈希值), 并将指纹和元数据(时间、操作人)上链存证。:从发票、合同中提取材料品名、规格、采购价、时间、地点。:对每个供应商, 提取其在历史投标中的行为序列特征, 如:中标率、与特定伙伴同时投标率、自身高报价次数、在伙伴中标项目中的“弃标”或“无效标”次数。:监控开标、评标现场音视频, 识别异常情绪(激烈争吵)、敏感关键词(“打点”、“关照”)、异常物品传递、私下交流等违规行为。

weixin_49199313的博客 816

AAC编解码器在实时通信中的性能对比与应用选择

本文深入分析了AAC编解码器在实时通信中的性能优化,重点对比了faac、faad2与fdk-aac三大开源方案在WebRTC场景下的表现。通过实测数据揭示其在延迟、音质和资源消耗等关键指标的差异,并提供场景化选型建议与调优技巧,帮助开发者提升实时音视频通信质量。

weixin_29210727的博客 389

POJ 3640 Conformity 可能会

woniupengpeng的专栏 424

ollama接入图像识别大模型

ollama接入图像识别大模型

qq_36437991的博客 2075

ICPC训练联盟2021寒假冬令营(6)部分题解:

** ICPC训练联盟2021寒假冬令营(6)部分题解 ** 写好忘发了~~ A - The Blocks Problem Many areas of Computer Science use simple, abstract domains for both analytical and empirical studies. For example, an early AI study of planning and robotics (STRIPS) used a block world in whi

好好好,这么写博客是吧 692

基于PINN的一个简单的求解偏微分方程实例

本人是做化工模拟的一名学生,最近在学习PINN(Physics-Informed Neural Networks,物理信息神经网络)对管道动力学进行建模研究,PINN由于其对机理与数据的良好兼顾性非常热门,本文是作者对PINN入门研究过程的一个练手小题目,main code也是作者代码是基于pytorch2.6.0写的,发上来供各位参考,欢迎研究管道动力学和PINN的小伙伴一起讨论~

weixin_64491760的博客 1741

51单片机——LCD12864驱动函数深度解析与实战优化

本文深入解析了51单片机驱动LCD12864液晶屏的核心驱动函数,从底层时序、关键延时到地址计算进行逐行剖析,并针对常见显示问题提供系统性的调试技巧与实战优化方案。重点探讨了如何将基础代码优化为稳定高效的驱动,涵盖延时精准化、批量写入及显示缓冲区等高级技巧,旨在帮助开发者从“点亮”屏幕进阶到“精通”驱动,确保显示稳定可靠。

weixin_29190169的博客 85

【哈希】POJ 3640 Conformity

Conformity 解题思路 原来POJ用STL会T… 对每个组合,读进来之后先把 5 个数排序,拼成 15 位的数,之后去统计每个数出现的次数。 参考代码 #include<stdio.h> #include<iostream> #include<vector> #include<cstring> #include<cstdio> #include<climits> #include<cmath> #include&lt

Encore47的博客 306

YF-S401水流量传感器在STM32上的精准计量实现

本文详细介绍了YF-S401水流量传感器与STM32微控制器的集成应用,实现精准水流计量。通过外部中断和外部时钟两种脉冲计数方案,结合硬件配置、软件滤波和校准技巧,确保高精度流量测量。适用于智能家居和工业自动化中的水控系统,提升系统稳定性和测量准确性。

rainy的博客 897

POJ 3640 Conformity

题意:n个学生,每人5门课程代号(100~499)的组合,定义这些课程组合的重复次数为受欢迎度。问选受欢迎度最大的课程组合的学生人数是多少。   题解:将每个学生所选的5门课进行从小到大排序,拼起来组成一个15位的数。即:  for(int j=0;j                  temp=temp*1000+x[j];  由于变换之后的数太大,所以要哈希一下在存储。接下来再判重即

iCpC之旅 775

从零开始:面板数据熵值法的Stata实现与常见陷阱解析

本文详细介绍了面板数据熵值法在Stata中的实现步骤与常见陷阱解析。通过熵值法客观赋权特性,科学构建综合指数,特别适合处理多维面板数据。文章涵盖数据预处理、标准化方法选择、Stata代码实现及结果可视化,并针对常见问题提供实用解决方案,助力研究者避免分析误区。

study的专栏 618

手把手教你学GPU的KMD专栏--3.1 设备初始化流程深度解析

本文深入解析了KMD(内核模式驱动)设备初始化流程,这是GPU驱动开发最基础且关键的环节。初始化流程包括6个核心阶段:KMD模块加载、PCIe设备探测匹配、GPU硬件初始化、显存分配映射、中断系统配置和设备注册。每个阶段都有详细步骤解析,涉及关键数据结构和错误处理机制。文章还分析了常见问题(驱动加载失败、显存分配失败、中断配置失败)的解决方案,并指出未来趋势将向动态初始化、安全增强和AI优化方向发展。正确高效的初始化流程是确保GPU被操作系统安全使用的前提,也是后续内存管理、任务调度等功能的基础。

MHD0815的博客 262

POJ 3640 Conformity

题意:n个学生,每人5门课程代号(100~499)的组合,定义这些课程组合的重复次数为受欢迎度。问选受欢迎度最大的课程组合的学生人数是多少。 题解:将每个学生所选的5门课进行从小到大排序,拼起来组成一个15位的数。即: for(int j=0;j<5;j++) temp=temp*1000+x[j]; 由于变换之后的数太大,所以要哈...

weixin_30335353的博客 299

Google Earth Engine(GEE)—— 显示如何使用迁移的训练样本进行多年分类的脚本(sentinel-2影像为例)光谱差异()

HydroSHEDS 是一种地图产品,它以一致的格式为区域和全球范围的应用程序提供水文信息。它提供了一套不同比例的地理参考数据集(矢量和栅格),包括河流网络、流域边界、排水方向和流量累积。请注意,对于北纬 60 度以上的地区,HydroSHEDS 数据的质量明显较低,因为没有可用的基础 SRTM 高程数据,因此分辨率较低的 DEM(USGS 提供的 HYDRO1k)。该数据集基于 15 角秒(赤道约 500 米)分辨率栅格数据提供嵌套的分层分水岭多边形。光谱信息和之前不同的点:训练结果。

此星光明博客 967

UVa 11286 - Conformity

题目:选课系统,每个人选5门课,如果很多人选择相同5门课认为这个组合比较热门,             现在要求出选择最热门课程组合的选择人数。 分析:数据结构,STL。对每组数据先排序,然后利用map统计求解即可。             (也可以使用hash表或者利用long long压缩排序统计) 说明:如果有很多人们组合,都算在一起。 #include #include #i

小白菜又菜 4068

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

【stl学习笔记】map的用法总结

民间传说,大年三十,学习的人,就可以完成自己的理想!

热爱c小李的博客 527

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

POJ 3640

题意:n个学生的5门课程,找出课程组合出现次数最多的,输出选出现次数最多课程组合(不一定一个)的学生人数。 题解:对5门课程排序,然后hash判重,接着统计即可。 View Code 1 #include<cstring> 2 #include<algorithm> 3 #include<string> 4 #include<ma...

weixin_30387339的博客 269

EU AI法案技术落地指南:高风险AI系统代码级改造实战

高风险AI系统是欧盟AI法案(EU AI Act)的核心监管对象,其判定依据并非行业分类,而是AI决策对欧盟自然人权利、机会或安全产生的实质性影响。技术实现上需贯穿MLOps全生命周期:从数据层的GDPR同意可追溯、训练层的模型卡与鲁棒性测试自动化,到部署层的合规HTTP头注入与响应内嵌报告,再到监控层的决策分歧率主动探测。该要求倒逼架构升级——技术文档必须是机器可验证的结构化知识图谱,符合性评估需嵌入CI/CD流水线。本文聚焦信用评分、招聘筛选等典型高风险场景,提供FastAPI改造、PROV-O日志生成

weixin_30467861的博客 292

HOJ题目分类

各种杂题,水题,模拟,包括简单数论。 1001 A+B 1002 A+B+C 1009 Fat Cat 1010 The Angle 1011 Unix ls 1012 Decoding Task 1019 Grandpa's Other Estate 1034 Simple Arithmetics 1036 Complete the sequence! 1043 Maya Calendar 10

码蹄疾 5469

欧盟AI法案实操指南:高风险系统合规落地四步法

人工智能监管正从抽象原则走向可验证的技术执行,欧盟AI法案以‘风险分级’为核心逻辑,将AI系统按基本权利影响程度划分为不可接受、高风险、有限风险与最小风险四类。其技术价值在于推动数据治理可追溯性、人工监督有效性与模型透明度等能力成为工程标配,而非法律附加项。典型应用场景覆盖招聘筛选、信贷审批、医疗影像诊断、工业质检等需影响自然人关键权益的系统。实践中,‘高风险AI系统’的判定取决于实际用途而非技术来源,而‘基本权利影响评估’已深度嵌入产品设计流程。本文聚焦工程师可立即落地的合规路径,直击数据血缘、可解释性输

433

AI Act合规工程实践:从高风险分类到技术文档包落地

人工智能监管已从法律条文进入工程实操阶段,欧盟AI法案的核心并非禁止技术,而是要求AI系统具备可验证的可信性。其底层逻辑围绕‘高风险AI分类’展开,依据应用场景、技术实现与生命周期三重过滤,决定合规义务强度;而‘技术文档包’(TDP)作为法定证据载体,将数据谱系、模型卡、测试报告等14项产出结构化、自动化、可审计。这一过程重塑了AI开发范式——FRIA(基本权利影响评估)驱动偏差量化治理,可追溯性设计保障全链路验证,人工监督机制嵌入真实业务闭环。对面向欧洲市场的AI产品团队而言,合规不是法务附加项,而是融合

mxdxm8899的专栏 536
上一篇: 【数论】Non-Decreasing Digit
下一篇: 【BFS+hash】The Social Network
ACM_Ted
博客等级 码龄15年 122粉丝 208原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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