NOJ [1301] Gopher Hole

Matlab实现使用遗传算法的混合能源系统优化.rar 立即下载
链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1301

死月最爱讲故事了,这次他讲了个很有趣的故事。
很久很久以前,有一只地鼠,他很调皮,很喜欢打洞。
这次他来到一块 N * N 的地域,然后开始打洞。
当输入是Out的时候,表示他将在(x, y)打洞,当有两个洞是拥有公共的边时,那么这两个洞是连通的,也就是说是属于同一个洞的。
那么,每挖一次洞,就使用一次并查集。

以下是我出题代码。

#include <set>
#include <list>
#include <stack>
#include <queue>
#include <cmath>
#include <cstdio>
#include <vector>
#include <cstring>
#include <cstdlib>
#include <iostream>
#include <algorithm>
using namespace std;

#define N 105

int num;
int cnum;
int hole[N][N];
int rank[N * N];
int v[N * N];
int dir[4][2] = {{-1, 0}, {0, -1}, {0, 1}, {1, 0}};

int find_set(int x)
{
if (v[x] != x) v[x] = find_set(v[x]);
return v[x];
}

void Union(int x, int y)
{
if (rank[x] > rank[y]) v[y] = x;
else if (rank[x] < rank[y]) v[x] = y;
else
{
v[x] = y;
rank[y]++;
}
}

int main()
{
int n, m, s1, s2;
char cmd[5];

//freopen("in.in", "r", stdin);
//freopen("out.out", "w", stdout);
while (~scanf("%d%d", &n, &m))
{
num = cnum = 0;
memset(hole, 0, sizeof(hole));
memset(rank, 0, sizeof(rank));
for (int i = 0; i <= n * n; i++) v[i] = i;
for (int i = 0; i < m; i++)
{
scanf("%s", cmd);
if (cmd[0] == 'O')
{
int p;
int x, y;
scanf("%d%d", &x, &y);
x++;
y++;
if (hole[x][y]) continue;
hole[x][y] = ++cnum;
if (!hole[x - 1][y] && !hole[x + 1][y] && !hole[x][y + 1] && !hole[x][y - 1])
{
num++;
continue;
}
p = 1;
for (int j = 0; j < 4; j++)
{
int xx, yy;
xx = x + dir[j][0];
yy = y + dir[j][1];
if (hole[xx][yy])
{
s1 = find_set(hole[x][y]);
s2 = find_set(hole[xx][yy]);
if (s1 != s2)
{
p--;
Union(s1, s2);
}
}
}
num += p;
}
else printf("%d\n", num);
}
}

return 0;
}

基于斜坡补偿的Buck电路峰值电流+电压电流双闭环控制【附说明文档】(Simulink仿真实现)优快云首页发布文章优快云同步助手LLC谐振变换器开环+闭环软启动仿真设计(Simulink 内容概要:本文围绕三电平VIENNA整流器的双闭环控制与中点电位平衡问题展开仿真研究,提出了一种基于上下电容电压差值补偿的中点电位平衡策略。该策略在传统电压电流双闭环PI控制的基础上,引入电容电压差值作为反馈信号,通过SVPWM调制中冗余小矢量的时间分配实现中点电荷的定向调节,从而在不改变主控制结构的前提下有效抑制中点电位偏差。仿真结果表明,该方法不仅确保直流母线电压稳定跟踪800V给定值,还能显著提升上下电容电压的均衡度,同时保持输入电流低谐波水平,验证了控制策略的可行性和有效性。; 适合人群:电力电子、电气自动化及相关专业的研究生、科研人员及工程技术人员,具备一定的MATLAB/Simulink仿真基础和电力电子拓扑知识背景者更佳。; 使用场景及目标:①掌握三电平VIENNA整流器的工作原理与中点电位波动的成因;②理解电压电流双闭环PI控制的设计要点与参数整定原则;③学习基于差值补偿的中点电位平衡控制策略及其与SVPWM的协同机制;④应用于充电桩、航空电源、通信电源等中大功率单向整流场合的控制系统设计与优化。; 阅读建议:建议结合文中提供的仿真模型与参数设置进行动手实践,重点关注中点电位平衡投入前后电容电压波形的变化,对比分析不同工况下的系统动态响应,深入理解控制策略的作用机理。同时可进一步探索在电网不平衡、轻载等复杂工况下的控制性能,以拓展应用场景。 立即下载

相关推荐

自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标(Matlab代码实现)

内容概要:本文针对“自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标”开展研究,提出一种基于Matlab的仿真方法,实现多机器人在动态环境中对移动目标的协同包围与持续跟踪。该方法综合考虑了机器人的运动学约束与传感器的视线(visibility)限制,设计了分布式控制策略与自适应编队算法,能够在复杂环境下有效维持编队结构的稳定性和任务执行的鲁棒性。研究详细阐述了系统建模过程、控制律设计原理、编队形成与保持机制,并通过Matlab代码实现了完整的仿真验证,展示了算法在不同动态场景下的适应能力与性能优势; 适合人群:具备机器人学、自动控制理论、多智能体系统等相关基础知识,熟悉Matlab编程语言,从事智能系统、协同控制、路径规划与自主导航等方向的研究生、科研人员及工程技术人员; 使用场景及目标:①应用于安防监控、环境探测、灾害救援等场景中的多机器人目标围捕与跟踪任务;②为多智能体协同控制、分布式编队保持、避障与可见性维护等关键技术提供可复现的算法框架与仿真平台;③辅助高校与科研机构在相关领域的教学演示与科研创新,深化对自适应控制与分布式协同机制的理解; 阅读建议:建议读者结合提供的Matlab代码逐模块分析其实现逻辑,重点关注控制律设计、约束处理与自适应机制部分,可通过调整机器人数量、目标轨迹、传感器参数等进行扩展性实验,以深入掌握多机器人协同系统的动态行为与优化方法。

NOJ 1301 Gopher Hole 并查集好题 n*n矩阵上打洞 不相连洞的个数

[1301] Gopher Hole 时间限制: 1000 ms 内存限制: 65535 K 问题描述 Death-Moon loves telling stories. Some days ago, he told us a funny story. Long long ago, there is a hamster who is so naughty. Now, he co

hnust_xiehonghao的专栏 1429

patch_1.23.0.2584_game_No6.android.pak

patch_1.23.0.2584_game_No6.android.pak

NOJ [1285] The TT Candy

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1285此题的意思就是TT有n种糖果,每种糖果都有一定的数量。但是TT吃糖果有个习惯,就是换着口味吃。当她吃了一颗糖果A后,她下一颗一定不吃糖果A,只能吃其他种类的。现在问你TT能否吃完所有的糖果。例如输入:32 3 4那么吃糖果的顺序可以是C B C B C B A C A,所以题意就是说这一连串的字

ColorWaterer的专栏 1467

状态估计【卡尔曼滤波kalman】UKF、EKF、粒子滤波PF学习与研究(Matlab代码实现)

内容概要:本文系统地研究了无迹卡尔曼滤波(UKF)、扩展卡尔曼滤波(EKF)和粒子滤波(PF)在非线性系统状态估计中的理论基础与实际应用,并结合Matlab代码实现进行了深入剖析。内容涵盖三种滤波算法的核心原理、数学推导及其在轨迹估计等工程问题中的具体实施方法。通过详尽的Matlab编程实例,展示了如何利用这些先进滤波技术解决如目标跟踪、传感器融合等复杂问题,并特别探讨了BP神经网络与EKF结合的优化训练策略以及粒子滤波在提高状态跟踪精度方面的潜力。该资料为希望掌握现代状态估计算法的研究人员和技术爱好者提供了一套完整的理论与实践指南; 适合人群:具备一定编程基础,尤其是熟练使用Matlab工具,且对控制理论、信号处理或相关工程技术领域有初步了解的研发人员和高校学生; 使用场景及目标:① 深入理解UKF、EKF和PF的基本概念及其在非线性动态系统中进行状态变量估计的应用;② 通过Matlab代码实践加深对各滤波器工作机制的理解,能够独立开发相应的算法以应对诸如轨迹预测、多源信息融合等实际挑战;③ 探索将BP神经网络与EKF相结合的新途径,以期提升模型的学习效率和预测准确性; 阅读建议:此资源不仅提供了坚实的理论支撑,还包括丰富的代码示例,建议读者按照文档结构循序渐进地学习,同时动手实现每一个案例,以便更深刻地把握各种滤波技术的关键细节。对于致力于深入研究状态估计领域的专业人士而言,这是一份极具价值的学习材料。

DXF、DWG工程制图文件查看器

DXF、DWG工程制图文件查看器。 可以在界面中进行测量(包括距离、面积、角度等等) 无需版权,放心使用。

NOJ [1288] Eating Sweets

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1288本题其实是一个大水题,但是需要一些优化。首先,如果你用双重循环来计数,时间复杂度是O(n ^ 2),那么一定会超时的。所以,我们可以仔细想一下,对于输入的a,b,c和d,那么循环的次数一定为a - max(c, d) + 1(想一想为什么)。然后对于每次,增加的数量就是min(b - d + 1

ColorWaterer的专栏 655

【智慧城市】GIS数据获取-获取道路/水路数据

【GIS数据获取】获取道路/水路数据

qq_16599281的博客 4752

NOJ [1275] Play or Not Play

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1275本题的题意就是说,其中一个人与其他m个人一起玩LOL(每次都只能1V1,所以一共玩了m次),且这m个人中的任意两个人都不能一起玩LOL。对于每个人都必须满足上面这个要求。那么这么多人最多可以玩几次呢?本题只要把总的数量均分为左右两部分,如果不能均分,那么一边比另一边多一个。那么,我们只要将左边的

ColorWaterer的专栏 629

深度学习二分类实战:用Python+Keras搞定基因表达数据预测(附完整代码)

本文详细介绍了如何使用Python和Keras构建深度学习模型进行基因表达数据的二分类预测。通过数据预处理、特征选择、神经网络构建及优化策略,特别针对小样本场景提供了调参技巧和模型解释方法。文章还包含完整的代码示例,帮助读者快速掌握深度学习在生物信息学中的应用。

weixin_30642561的博客 246

【OpenCV】背景替换(opencv、python),照片、证件照的背景替换(抠图)

目录步骤:导入库1、读入将要抠图的图片2、create一个带颜色域的mask3、通过mask使得原图只显示汽车,即抠出所需要的部分4、将要替换掉的图像resize或裁剪到和上述图片一样的大小5、将该图片预留出将要重叠上的部分,即将mask部分改为(0,0,0)6、通过和运算使得两部分图片mask部分替换7、最后保存图片 步骤: 导入库 import matplotlib.pyplot as plt import matplotlib.image as mpimg import numpy as np imp

weixin_41729258的博客 4363

NOJ [1296] Between The Island

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1296死月最爱讲故事了,这次他讲了个很恐怖的故事。很久很久以前,有一片区域里有很多小岛,岛上住着很多幽灵。人类为了消灭幽灵,就开始造桥将两座岛连起来。只要所有岛都连起来了,不管是直接的还是间接的,这样一来就可以到达这座岛,并且跟幽灵战斗了。那么这题该怎么做呢?首先,这个区域是一个长方形,M*N的。然后

ColorWaterer的专栏 602

AD7920实战:从咪头到ADC的音频信号采集电路设计全解析(附电路图)

本文详细解析了基于AD7920 ADC芯片的音频信号采集电路设计全流程。从驻极体咪头的驱动、AD8542运放的两级增益与偏置设计,到关键的抗混叠滤波器配置,以及ADC接口的驱动缓冲与PCB布局要点,提供了完整的实战指南与电路图,帮助开发者实现高质量音频信号采集。

red88的博客 807

NOJ [1273] So Long the String

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1273遍历?如果你将每个短字符串的每个字符都去长字符串中查找有木有,那一定会超时。本题正规算法:二分法先将长字符串从小到大排序。然后用二分法查找长字符串中是否有他的位置。然后逐个查找,关键就是二分法的思想。现在给你们讲讲二分法的好处。假如我这里有100000个不同的数,然后我跟你讲一个数X,问你我这里

ColorWaterer的专栏 530

文档多模态识别工具对比:MinerU、PaddleOCR、Marker

本文对比了三款文档多模态识别工具:MinerU、PaddleOCR和Marker。MinerU专注于中文文档的端到端解析,支持复杂元素提取和结构化输出,适合中文论文和教材解析。PaddleOCR是通用OCR工具包,支持多语言和全流程任务,适用于发票、车牌等图像OCR。Marker则注重多语言支持和轻量化部署,适合英文论文和技术文档的快速转换。三者在核心技术、中文优化、表格处理、输出格式、部署复杂度和适用语言等方面各有优劣。选型建议根据具体需求:MinerU适合高精度中文解析,PaddleOCR适合定制化OC

朴拙科技的博客 4747

Agentic AI商业化落地指南:提示工程架构师的7步优化法

Agentic AI(具备自主感知、决策与行动能力的智能体系统)是未来AI商业化的核心方向,其价值在于将大模型的“认知能力”转化为“实际行动”,解决复杂商业场景中的自动化与个性化需求。而提示工程(Prompt Engineering)作为连接人类意图与智能体行为的“翻译器”,直接决定了智能体的可控性、效率与用户体验,是Agentic AI商业化落地的关键支撑。本文结合第一性原理与工程实践,提出提示工程架构师的“7步优化法”,覆盖从“商业目标定义”到“规模化推广”的全流程。通过理论框架推导架构设计拆解。

AI架构全栈开发实战笔记 1万+

NOJ [1271] Nth Day is Which Day

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1271本体纯数学题如果对于输入的数据直接for循环,肯定超时所以,我们得缩小运算量、该怎么办呢?输入的N为第几天。那么,我们可以先这样想:每400年就会出现97个闰年,400年就是146097天。我们可以先对146097求余,得到的数就是小于146097的,也就是在400年内。那么,接下来,在剩下的小

ColorWaterer的专栏 526

【2026最新】3分钟Windows极速部署OpenClaw,完整可复制命令+全链路避坑指南

很多新手在Windows环境部署OpenClaw时,总会遇到各种玄学问题:WSL环境配置失败、Docker镜像拉取超时、容器启动后无法访问、权限报错、数据丢失……网上大量教程要么是Linux环境的,要么是早已过时的旧版本配置,照着操作不仅没法3分钟部署,反而要花几小时踩坑填坑。

2601_94871597的博客 495

NOJ [1297] Code Of Keyboard

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1297死月最爱讲故事了,这次他讲了个很悲伤的故事。现今有很多程序员突然死去,所以死月告诫大家要珍爱生命,但是不要远离编程。此题题意很清楚,就是让你根据那张图,输入一个字符,将此字母的左边一位的那个字符输出。有些字符除外。那么我们只要把这些字符存在一个数组里:a[] = "`1234567890-=QW

ColorWaterer的专栏 521

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")

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!

NOJ [1257] Get Lost

链接地址:http://acm.nbut.cn/Problem/view.xhtml?id=1257模拟题,按照当前所站的位置的NSWE来走。当走到地图外面去了,YES。当走到以前走过的格子,NO。出题代码:#include #include #include #include #include #include #include #include #include #include #inclu

ColorWaterer的专栏 501

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

NOJ [1274] The battle of Red Cliff

赤壁之战链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1274本题的算法为并查集。所谓并查集,就是将相同类型的几个单位并在一起。例如交朋友,只要一个人跟另一个人成为了朋友,他们都会把彼此的朋友介绍给对方。现在有10个彼此陌生的学生,编号分别为1到10.X Y1 23 45 67 89 101 35 7以上的输入表示编号X与编号Y的学生成为了朋友。那

ColorWaterer的专栏 484

NOJ [1300] Factor

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1300死月很喜欢讲故事, 这次他讲了一个又恐怖又搞笑又悲伤的故事.从前, 有一只僵尸, 他放了一个屁, 最后死了.言归正传, 此题就是让你将一个数的所有因数都输出, 1不用输出.那么我们只要将这个数先一直对2除, 然后一直对3除, 然后...直到这个数变为1为止, 那么就完成了. 结果, 超时.原因

ColorWaterer的专栏 479

NOJ [1267] Flying Chess

链接地址:http://ac.nbutoj.com/Problem/view.xhtml?id=1267博弈题当 n 当 n == 7 时,我们可以这样考虑:当tt走 1 步,那么路程还剩下 6 ,mengya可以一步走到终点。当tt走 2 步,那么路程还剩下 5 ,mengya可以一步走到终点。当tt走 3 步,那么路程还剩下 4 ,mengya可以一步走到终点。当tt走 4 步,那么路程还剩下

ColorWaterer的专栏 443
上一篇: NOJ [1297] Code Of Keyboard
下一篇: NOJ [1300] Factor
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