百度之星一题

Fir


Time Limit : 2000/1000ms (Java/Other)   Memory Limit : 65535/32768K (Java/Other)


Problem Description


小H是一个程序员。但是他很喜欢一些新奇的东西。


有一次,他去找物理实验室的朋友玩。他见到了一串非常有意思的粒子。N个粒子排成一排。每一秒中,每一段连续的粒子中会随意有一个爆炸,爆炸后该粒子就消失了,且将原来连续的一段粒子分隔成两段。


小H希望知道所有粒子都爆炸完的期望时间。


Input


         第一行为一个整数T(1 <= T<= 400),表示有T组测试数据;


         每组数据一个正整数N(1<=N<=400),表示一开始的粒子数。


Output


         对于每组数据,输出期望时间(秒)。保留五位小数。


Sample Input
3
1
2
3
 
Sample Output
1.00000
2.00000
2.66667
 
Sample Cl.
对N=3,若第一个爆炸的




粒子在旁边,则还需两秒;若第一个爆炸的在中间,则再过一秒即可。故答案为2/3*3+1/3*2=8/3。




#include <iostream>
#include <stdio.h>
using namespace std;
double a[4044];
void fir(int n)
{
for(int i=3;i<=n;i++)
{
   double sum=0;
double x=i;
   double temp=1/x;

    double value=0;
for(int j=1;j<=i;j++)
{
 if(j<=i-j)
 {
value=a[i-j];
 }
 else
 {
    value=a[j-1];
 }
  
 sum+=temp*(1+value);

}


a[i]=sum;
}


}


int main()
{
    a[0]=0;
a[1]=1;
    a[2]=2;
int t;
int m;
scanf("%d",&t);
for(int i=1;i<=t;i++)
{
scanf("%d",&m);
   fir(m);
    printf("%5f\n",a[m]);
}
return 0;
}

#include <iostream>
#include <stdio.h>
using namespace std;
double a[4044];
void fir(int n)
{
for(int i=3;i<=n;i++)
{
   double sum=0;
double x=i;
   double temp=1/x;

    double value=0;
for(int j=1;j<=i;j++)
{
 if(j<=i-j)
 {
value=a[i-j];
 }
 else
 {
    value=a[j-1];
 }
  
 sum+=temp*(1+value);

}


a[i]=sum;
}


}


int main()
{
    a[0]=0;
a[1]=1;
    a[2]=2;
int t;
int m;
scanf("%d",&t);
for(int i=1;i<=t;i++)
{
scanf("%d",&m);
   fir(m);
    printf("%5f\n",a[m]);
}
return 0;
}


 
个人防护装备实例分割数据集 一、基础信息 • 数据集名称:个人防护装备实例分割数据集 • 图片数量: 训练集:4524张图片 • 训练集:4524张图片 • 分类类别: 手套(Gloves) 头盔(Helmet) 未戴手套(No-Gloves) 未戴头盔(No-Helmet) 未穿鞋(No-Shoes) 未穿背心(No-Vest) 鞋子(Shoes) 背心(Vest) • 手套(Gloves) • 头盔(Helmet) • 未戴手套(No-Gloves) • 未戴头盔(No-Helmet) • 未穿鞋(No-Shoes) • 未穿背心(No-Vest) • 鞋子(Shoes) • 背心(Vest) • 标注格式:YOLO格式,适用于实例分割任务,包含边界框或多边形坐标。 • 数据格式:图片数据,来源于监控或相关场景。 二、适用场景 • 工业安全监控系统开发:用于自动检测工人是否佩戴必要的个人防护装备,提升工作场所安全性,减少工伤风险。 • 智能安防应用:集成到监控系统中,实时分析视频流,识别PPE穿戴状态,辅助安全预警。 • 合规性自动化检查:在建筑、制造等行业,自动检查个人防护装备穿戴合规性,支持企业安全审计。 • 计算机视觉研究:支持实例分割、目标检测等算法在安全领域的创新研究,促进AI模型优化。 三、数据集优势 • 类别全面:覆盖8种常见个人防护装备及其缺失状态,提供丰富的检测场景,确保模型能处理各种实际情况。 • 标注精准:采用YOLO格式,每个实例都经过精细标注,边界框或多边形坐标准确,提升模型训练质量。 • 真实场景数据:数据来源于实际环境,增强模型在真实世界中的泛化能力和实用性。 • 兼容性强:YOLO格式便于与主流深度学习框架(如YOLO、PyTorch等)集成,支持快速部署和实验。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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