2017.10.21感悟

因为是复活赛,所以题目相对比较简单
难度还是有的

T1

题意:给你一个全是大写字母的字符串,问能否先找到子串AC,将其改成BB后,再找到子串CA,将其改成BB?能输出YES,否则输出NO
题目很简单,但是我竟然没有AC
因为我没有考虑这种情况:ACAAC。此情况为YES
所以不能直接扫AC,直接将第一个改成BB
方法很多,就不说了

T2

题意:给一个nn矩阵的最终状态,若ai,j=0则表示这个地方没有被填充过颜色,否则就被填充过。现在初始状态为全零矩阵,每一次操作都只能将一个子矩阵覆盖成之前没有用过的颜色。问第一次能涂多少种颜色使得最后达到最终状态?
n10
暴力即可,只要先求出每一种颜色的矩形范围即可

T3

题意:给定一个nm矩阵,每一个点的权值为其到其他所有点距离的最大值(比如(x,y)(x,y)dis=|xx|+|yy|+ax,y)。输出每个点的权值。
n,m1000
O((nm)2)的算法是十分明显的
所以我们现在就要考虑怎么做到O(nm)
我们只要使ai,j±i±j最大(±的取值需要看在那个方向,因为这是绝对值)
预处理出每一个点到四个方向的最大值,然后计算即可

T4

题意:一个nm的矩阵,告诉你每一个点在某一时刻会消失,问每一时刻有多少个连通块(时刻必定是一个nm的排列)
时光倒流,一个一个点加入即可

T5

题意:一个数列x1,x2,xn,m (xim)
问有多少种序列,使得aixi=1 (aiN)(xi自己求)
显然,要使得最后的和为1,就要使得G=gcd(x1,x2,xn,m)=1
n,m105
考虑使用容斥原理
答案即为总方案数减去最大公约数不为1的方案数
显然,G|m。假设m=pt11pt22ptnk
那么,答案的式子即为

mnmnp1mnp2mnpk+mnp1p2+mnp1p3++mnpk1pkmnp1p2p3

是不是和欧拉函数φ(n)的式子很像?
原式即为
mn(11pn1)(11pn2)(11pnk)

所以只要对m进行质因数分解即可
然后直接快速幂
时间复杂度O(mlog2n)

总结

要多运用数学知识……比如T5我明白应该是G=1,但是不会写啊
还是要多加练习的

下载前可以先看下教程 https://pan.quark.cn/s/a426667488ae 标题“仿淘宝jquery图片左右切换带数字”揭示了这是一个关于运用jQuery技术完成的图片轮播机制,其特色在于具备淘宝在线平台普遍存在的图片切换表现,并且在整个切换环节中会展示当前图片的序列号。 此类功能一般应用于电子商务平台的产品呈现环节,使用户可以便捷地查看多张商品的照片。 说明中的“NULL”表示未提供进一步的信息,但我们可以借助标题来揣摩若干核心的技术要点。 在构建此类功能时,开发者通常会借助以下技术手段:1. **jQuery库**:jQuery是一个应用广泛的JavaScript框架,它简化了HTML文档的遍历、事件管理、动画效果以及Ajax通信。 在此项目中,jQuery将负责处理用户的点击动作(实现左右切换),并且制造流畅的过渡效果。 2. **图片轮播扩展工具**:开发者或许会采用现成的jQuery扩展,例如Slick、Bootstrap Carousel或个性化的轮播函数,以达成图片切换的功能。 这些扩展能够辅助迅速构建功能完善的轮播模块。 3. **即时数字呈现**:展示当前图片的序列号,这需要通过JavaScript或jQuery来追踪并调整。 每当图片切换时,相应的数字也会同步更新。 4. **CSS美化**:为了达成淘宝图片切换的视觉效果,可能需要设计特定的CSS样式,涵盖图片的排列方式、过渡效果、点状指示器等。 CSS3的动画和过渡特性(如`transition`和`animation`)在此过程中扮演关键角色。 5. **事件监测**:运用jQuery的`.on()`方法来监测用户的操作,比如点击左右控制按钮或自动按时间间隔切换。 根据用户的交互,触发相应的函数来执行...
垃圾实例分割数据集 一、基础信息 • 数据集名称:垃圾实例分割数据集 • 图片数量: 训练集:7,000张图片 验证集:426张图片 测试集:644张图片 • 训练集:7,000张图片 • 验证集:426张图片 • 测试集:644张图片 • 分类类别: 垃圾(Sampah) • 垃圾(Sampah) • 标注格式:YOLO格式,包含实例分割的多边形点坐标,适用于实例分割任务。 • 数据格式:图片文件 二、适用场景 • 智能垃圾检测系统开发:数据集支持实例分割任务,帮助构建能够自动识别和分割图像中垃圾区域的AI模型,适用于智能清洁机器人、自动垃圾桶等应用。 • 环境监控与管理:集成到监控系统中,用于实时检测公共区域的垃圾堆积,辅助环境清洁和治理决策。 • 计算机视觉研究:支持实例分割算法的研究和优化,特别是在垃圾识别领域,促进AI在环保方面的创新。 • 教育与实践:可用于高校或培训机构的AI课程,作为实例分割技术的实践数据集,帮助学生理解计算机视觉应用。 三、数据集优势 • 精确的实例分割标注:每个垃圾实例都使用详细的多边形点进行标注,确保分割边界准确,提升模型训练效果。 • 数据多样性:包含多种垃圾物品实例,覆盖不同场景,增强模型的泛化能力和鲁棒性。 • 格式兼容性强:YOLO标注格式易于与主流深度学习框架集成,如YOLO系列、PyTorch等,方便研究人员和开发者使用。 • 实际应用价值:直接针对现实世界的垃圾管理需求,为自动化环保解决方案提供可靠数据支持,具有重要的社会意义。
评论
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