NOJ [1201] Chihuo II - Eating in China

【高分子材料工程】嵌件注塑结构设计与工艺优化:金属-塑料复合件界面强度及失效预防技术规范 内容概要:本文系统阐述了嵌件注塑(Insert Molding)的设计参数、模具关键技术及失效预防措施,聚焦黄铜H62或304不锈钢与PA66-GF30材料组合的基准工况,提供可用于工程图纸、DFM检查、模具验收和工艺规程的量化依据。内容涵盖工艺边界界定、材料匹配与界面力学分析、结构设计参数(如包覆壁厚、滚花、倒角)、模具设计要点(定位、浇口、排气、冷却)、工艺参数窗口、八大失效模式及其对策、验证验收标准以及量产控制要求,强调通过DFM仿真、模流分析和DOE试模优化工艺,并列出常见设计误区与纠正方案。; 适合人群:从事注塑产品设计、模具开发、工艺工程及质量管理的工程技术人员,尤其适用于汽车、电子、医疗等行业中具备1-3年及以上相关经验的研发人员; 使用场景及目标:①指导嵌件注塑零件的可制造性设计与结构优化;②支持模具设计评审与验收;③制定试模调机与量产工艺规范;④开展失效分析与质量改进; 阅读建议:此资源兼具理论机制与工程实践,建议结合实际项目对照查阅,重点关注包覆壁厚、预热温度、浇口布置等关键参数的取值边界,并在应用非基准材料时进行线膨胀系数与收缩率的换算修正,避免直接套用数据。 立即下载
链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1201

这题其实不难,总归算法就是凸包加水DP。
但是我一直RA,以为是凸包码错了,还新学了一个凸包的算法,发现又错了,最后才知道是忘了初始化。

题目意思很容易理解,就是洛天依去中国吃好吃的,然后经过了N个地方,每个地方都有坐标x和y表示。
洛天依游走的方法是独特的,她一定要先在最外面一圈的点找一个点开始出发,走完最外面的一圈,并且回到原点,然后再将剩下的地点按上面这样执行,直到走完所有的地方。这里就类似于找多个凸包,但是要注意不能组成凸包的时候。
接着,将这些凸包连起来,连起来的规则是在最外层凸包上找一顶点,然后在里面这层凸包找一顶点,连起来。重复操作,直到所有凸包都是连通的。最后让你输出最短路径的连线方案。这里就是DP问题了。

思路就是,先找到外面一层凸包,然后求出这个凸包的周长,并删除这些顶点。然后再在剩下的点里找一个凸包,求周长,并删除这些顶点,直到没有点剩下为止。
然后再将凸包连起来,得到的所有连线和凸包周长的总和就是答案了。

以下是我AC的代码。
#include <set>
#include <map>
#include <list>
#include <stack>
#include <queue>
#include <cmath>
#include <cstdio>
#include <vector>
#include <cstring>
#include <cstdlib>
#include <iostream>
#include <algorithm>
using namespace std;

const double INF = 2147483647.0f;
int l, n;//l为剩余的点的个数,n为总的点的个数
int pm;//存储凸包个数
double d;//存储距离
struct pt
{
double x, y;
bool used;
};
pt save[1010];//记录原始点
int s[1010];
pt tubao[1010][1010];//记录每个凸包的点坐标
int pn[1010];//记录每个凸包的点的个数
double dp[1010][1010];

bool mult(pt a, pt b, pt c)//极角判定
{
if ((a.x - c.x) * (b.y - c.y) >= (b.x - c.x) * (a.y - c.y)) return 1;
else return 0;
}

double dis(pt a, pt b)//计算两点间的点的距离
{
return sqrt((a.x - b.x) * (a.x - b.x) + (a.y - b.y) * (a.y - b.y));
}

int cmp(const void *p, const void *q)//排序
{
if ((*(pt *)p).used != (*(pt *)q).used) return (*(pt *)p).used - (*(pt *)q).used;
else if ((*(pt *)p).x != (*(pt *)q).x) return (*(pt *)p).x - (*(pt *)q).x;
else return (*(pt *)p).y - (*(pt *)q).y;
}

int Andrew()
{
qsort(save, n, sizeof(save[0]), cmp);
s[0] = 0;
s[1] = 1;
if (l == 1) return 1;
if (l == 2) return 2;
int top = 1;
for (int i = 2; i < l; i++)
{
while (top && mult(save[i], save[s[top]], save[s[top - 1]])) top--;
s[++top] = i;
}
int len = top; s[++top] = l - 2;
for (int i = l - 3; i >= 0; i--)
{
while (top != len && mult(save[i], save[s[top]], save[s[top - 1]])) top--;
s[++top] = i;
}
return top;
}

int main()
{
while (~scanf("%d", &n))
{
memset(tubao, 0, sizeof(tubao));
memset(pn, 0, sizeof(pn));
memset(save, 0, sizeof(save));
for (int i = 0; i < n; i++)
{
scanf("%lf%lf", &(save[i].x), &(save[i].y));
save[i].used = 0;
}
pm = 0;
l = n;
d = 0;
while (l)
{
int t = Andrew();
if (t == 1) tubao[pm][0] = save[s[0]];
else for (int i = 0; i < t; i++)
{
d += dis(save[s[i]], save[s[(i + 1) % t]]);
tubao[pm][i] = save[s[i]];
save[s[i]].used = 1;
}
pn[pm] = t;
l -= t;
pm++;
}
double tap = INF;
for(int i = 0; i < pn[0]; i++)
{
dp[0][i] = 0;
}
for (int i = 1; i < pm; i++)
{
for (int j = 0; j < pn[i]; j++)
{
dp[i][j] = INF;
for (int k = 0; k < pn[i - 1]; k++)
{
dp[i][j] = min(dp[i][j], dp[i - 1][k] + dis(tubao[i][j], tubao[i - 1][k]));
if(i == pm - 1) tap = min(tap, dp[i][j]);
}
}
}
if(pm == 1) tap = 0;

printf("%.4lf\n", d + tap);
}

return 0;
}


智慧医共体AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx 立即下载

相关推荐

14-15日周末听写音频.mp3

14-15日周末听写音频.mp3

NOJ 1224 编辑距离问题 (线性dp 分类)

编辑距离问题 Time Limit(Common/Java):1000MS/3000MS          Memory Limit:65536KByte Description         设A和B是2个字符串。要用最少的字符操作将字符串A转换为字符串B。这里所说的字符操作包括 (1)删除一个字符; (2)插入一个字符; (3)将一个字符改为另一个字符。 将字

Tc的专栏 1047

图腾柱无桥PFC变换器+平均电流控制+PI电压双闭环前馈控制设计(Simulink仿真实现)

内容概要:本文系统研究了图腾柱无桥PFC变换器的高效率控制策略,采用平均电流控制结合PI电压双闭环前馈控制,利用Simulink平台构建完整的系统仿真模型,涵盖主电路拓扑、控制环路设计、关键参数计算及动态性能验证。研究重点在于提升功率因数、降低输入电流谐波含量,并确保输出电压的高度稳定性。通过仿真分析,全面评估了系统在启动、稳态运行及抗干扰等方面的性能表现,充分展现了现代电力电子变换器在高效能、高可靠性方面的先进控制技术应用; 适合人群:具备一定电力电子技术基础和Simulink仿真能力的电气工程及相关专业的研究生、科研人员及企业研发工程师; 使用场景及目标:①研究高效率PFC变换器的控制策略;②掌握图腾柱无桥PFC电路的工作原理与建模方法;③开展新能源、电动汽车充电、工业电源等领域中高性能整流器的技术开发与性能优化; 阅读建议:建议读者结合Simulink仿真模型同步操作,重点关注控制环路的设计细节与参数整定过程,深入理解平均电流控制与双闭环前馈控制的协同机制,同时可拓展至不同工况下的性能测试以增强工程实践能力。

ACM第K大数——双二分

数组A和数组B,里面都有n个整数。数组C共有n^2个整数,分别是A[0] * B[0],A[0] * B[1] ......A[1] * B[0],A[1] * B[1]......A[n - 1] * B[n - 1](数组A同数组B的组合)。求数组C中第K大的数。

ColorWaterer的专栏 1716

DeepSeek Harness实战:从零构建插件化AI Agent

AI Agent开发正从硬编码走向框架化组织,插件化架构成为提升工程效率的关键。在构建可复用、可扩展的智能体系统时,开发团队需要一套能够统一管理模型调用、工具注册与上下文组装的基础设施。DeepSeek Harness作为面向Agent工程的插件化框架,通过Harness、DeepAgent与Skill三个核心抽象,将模型、工具与技能解耦为可插拔单元,让开发者无需重复造轮子即可快速搭建具备工具调用能力的智能体。本文从环境配置到Skill插件开发,完整演示如何基于DeepSeek模型构建一个可运行的Agent

weixin_34279184的博客 454

水文模型新手必看:用SWAT-CUP做参数率定,如何正确设置预热期、率定期和验证期?(附数据准备避坑指南)

本文详细介绍了使用SWAT-CUP进行水文模型参数率定的完整流程,重点解析了预热期、率定期和验证期的正确设置方法,并提供了数据准备的避坑指南。通过实操步骤和常见问题解决方案,帮助新手快速掌握SWAT-CUP参数率定的核心技巧,提升水文模型模拟精度。

weixin_26875109的博客 377

ACM投票——二分法

问题描述 有N个城市,每个城市有Ai个人。 现在要开始投票,每个人有一张票。 作为领导者,你有B个箱子,你必须要将这B个箱子分发到N个城市去,每个城市至少需要一个箱子。 每个人都必须要投票,不能弃票,也就是说要把票丢进箱子里去(每个城市有Ai张票)。

ColorWaterer的专栏 1576

MicroPython跨平台移植实战:从源码解析到STM32+FreeRTOS部署

本文详细解析了MicroPython的跨平台移植实战,重点介绍了如何将其从源码开始,成功部署到STM32微控制器并运行于FreeRTOS实时操作系统。内容涵盖源码结构解析、编译环境搭建、内存管理协调、FreeRTOS任务集成、数学库(math)启用与优化,以及自定义模块开发等核心步骤,为开发者提供了一套完整的、可操作的嵌入式Python移植方案。

vodka的博客 1014

NOJ [1314] Brave Sword

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1314是不是想起了筷子大作战这一题?(1) 那题的意思就是有很多筷子,除了其中一只,其他都是成对等长出现的。直接异或,所有相同的数都会被抵消(异或运算中,相同位置值相等的结果为0,就是说所有成对出现的都会最终成为0),最后的结果自然是那个落单的数了。然后,我们来看这题。(2) 这题的意思是有很多把钥匙

ColorWaterer的专栏 944

从零开始用STM32驱动RGB屏:配置PCLK、DE同步信号的避坑指南

本文详细介绍了如何使用STM32驱动RGB接口LCD屏幕,重点解析了PCLK配置、同步信号极性和DE使能等关键参数的设置方法。通过实战代码示例和常见问题排查指南,帮助开发者避免常见配置错误,实现稳定的显示效果。特别针对800x480 IPS屏提供了优化建议和调试技巧。

sky77的博客 543

2017年全国大学生电子设计竞赛综合测评题目解析——Multisim仿真

1.题目 给定两个单电源的双运放芯片READ2302G芯片(当时记得增益带宽积好像是6M),一片HD74LS74数字芯片双D触发器,需要详细电路图、手写报告,5个波形输出,测频,测幅,8:00公布题目,15:00停止答题,中间可以吃饭(也可以不吃继续做),15:00清场,休息一段时间后开始进场测试,打分。 2.要求 (1)一片运放搭建方波振荡电路,频率 20 KHz,误差 0.1 KHz,幅度 3...

DengFengLai123的博客 2万+

ACM 寻找众多情侣堆中的两个基佬

这题的意思是有很多情侣,每对情侣手握的牌号是一样的,然后在这群人中,有两个人是搞基的,他们手里握的牌子是不一样的,请找出这两个人,并从小到大输出他们的牌号。

ColorWaterer的专栏 794

分数间隔均衡器的基本原理及应用(使用Matlab)

通过对接收信号进行加权求和,分数间隔均衡器可以抵消信号在传输过程中受到的频率响应失真。Matlab提供了丰富的工具和函数,可以方便地实现分数间隔均衡器,并进行性能评估。分数间隔均衡器(Fractional Interval Equalizer)是一种数字信号处理技术,用于均衡带通信道中的信号失真。分数间隔均衡器的基本原理是通过对接收信号进行加权求和,以抵消信号在传输过程中受到的频率响应失真。分数间隔均衡器在通信系统中具有广泛的应用。最后,我们通过比较均衡后的信号和发送数据的阈值来进行解调,并计算误码率。

2301_79325657的博客 687

NOJ [1313] Anger Begins

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1313线段相交 + 并查集线段斜率可以是0也可以是无穷大。只要有一条路的一个点在另一条路上就算连通。将连通的路并在一起,然后直接就可以判断了。出题代码:#include #include #include #include #include #include #include #include #in

ColorWaterer的专栏 676

五种音频器件综合对比——《器件手册--音频器件》

音频器件当在蜂鸣片的两片电极之间接通交流音频信号时,蜂鸣片会根据信号的大小和频率发生振动,从而产生相应的声音。结构简单、造价低廉。广泛应用于玩具、电子表、电子仪器、电子钟表、定时器等电子电器方面。蜂鸣器是一种一体化结构的电子讯响器,采用直流电源供电,广泛应用于各种电子产品中作发声器件有源蜂鸣器:内部带震荡源,通电即发声,程序控制方便。无源蜂鸣器:内部不带震荡源,需用方波驱动,声音频率可控,价格相对便宜。计算机、打印机、复印机、报警器、电子玩具、汽车电子设备、电话机、定时器等电子产品。

XU157303764的博客 1538

【keil5和STC-ISP】保姆级下载安装教程

点击下载中的产品下载。然后就会看到如下界面:可以看到,提供了针对不同芯片架构的四套独立开发工具。:你使用的51单片机,其核心就是。C51套件里的编译器是专门为这个架构优化的。:如果安装了MDK-Arm,你在创建新项目时将像“AT89C51”这样的51系列芯片型号,无法进行开发。进入如下界面:双击下载 → 双击运行安装 → 同意协议并下一步 → 使用默认安装路径 → 完成安装。

深耕CV 1661

NOJ 1175 Dress, Left Dress!

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1175一些士兵站在一直线上,当每一个人都向左看时,看到的第一个比自己高的那个人就是the first man。并输出the first man的位置,若不存在the first man,输出-1。将所有身高存在一数组里,然后遍历一遍,但是这样会超时!所以,必须要优化算法。 这些身高中,如果一人的

ColorWaterer的专栏 657

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

NOJ 1002 将军问题

连接地址: http://ac.nbutoj.com/Problem/view.xhtml?id=1002 在做此题之前,你首先要知道中国象棋的游戏规则吧,不知道的看说明书去。 问题很简单,就是让你判断当时的局面是否存在将军状态。 首先,我们先想想,可以产生将军的棋子是哪些? 兵提步,判断将帅周围的三格是否有对方的兵。 炮跳轰,判断将帅所在的两条坐标线上是否有对方的炮,且将帅与炮中间必须

ColorWaterer的专栏 636

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

HDU 1405 坑爹的The Last Practice

链接地址:http://acm.hdu.edu.cn/showproblem.php?pid=1405此题真坑!!!题意很容易就能看懂,坑爹的地方就在“每个数字后都有一个空格,包括最后一个数字”。以下是我AC的代码:#include #include #include #include #include #include #include #include #include #include #i

ColorWaterer的专栏 633

杭电 1212 Big Number

链接地址:http://acm.hdu.edu.cn/showproblem.php?pid=1212以下是我AC的代码。#include #include #include #include #include #include #include #include #include #include #include #include #include using namespace std;#d

ColorWaterer的专栏 611

NOJ [1016] 缙云烧饼

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1016突然发现自己刚进入ACM队时写的一个代码,现在还是觉得好好笑,翻出来晒晒。#include using namespace std;#define N 1000char a[N][N];int main(){    int n,m,i,j,s;    while (scanf("%d",&n)!

ColorWaterer的专栏 611

NOJ [1318] First Choice

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1318此题就是一个欧拉回路。将每一个房间都理解为一个点,然后门就是房间间的连接条件,门的个数就是该点的度,只要所有点的度出现奇数的次数小于3就表示可以走完所有的连接且不重复。那么还有一个条件就是先判断此图是否是完全连通的。DFS一下就可以了。出题代码:#include #include #includ

ColorWaterer的专栏 578

NOJ [1319] Go Through

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1319此题的意思就是,Wodex和他的一个伙伴要经过所有的圆盘(点),他们所走的距离要在M内,所以肯定要求最短路。起先他们可以各自选择一个点作为起始点,然后开始走。然后走的方式是这样的,走过最外面一圈的任意一点的那个人就不能走除最外面那些点以外的点(我们称这些点为内点好了)了,而且Wodex的伙伴因为

ColorWaterer的专栏 573

HDU 1202 The calculation of GPA

链接地址:http://acm.hdu.edu.cn/showproblem.php?pid=1202此题非常好理解,代码也很好敲,但是有很多坑。首先,学分和分数都是double型的(分数可以大于100,更可以小于0)=  =其次,分数为-1的,算缺考(但是如果所有科目都是缺考的话,要输出-1、下面是我AC的代码:#include #include #include #include #inclu

ColorWaterer的专栏 570

NOJ [1321] I am You

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1321给你一个N,让你找到最小的M使得(2 ^ N - 1) % (2 ^ M - 1) = 0。2 ^ N的二进制数一定是1后面跟随一些0,那么2 ^ N - 1的二进制数每一位上都是1了,所以要想使(2 ^ N - 1) % (2 ^ M - 1) = 0, 那么其实只要使2 ^ N - 1的二进

ColorWaterer的专栏 550
上一篇: HDU 1405 坑爹的The Last Practice
下一篇: NOJ [1271] Nth Day is Which Day
ColorWaterer
博客等级 码龄12年 16粉丝 128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