机房dp专房训练赛

博客讲述一道题的解题过程,起初以为是容斥题,后大佬判断是类似区间dp的dp题。通过完全四次方暴力加优化求解,定义dp[i][j]表示长为i区间里贡献为j的方案数,考虑从小到大放数,枚举区间长度和位置,最终得出dp[n][x]为答案。

开始看到这道题心中一紧

这怕不是道容斥

于是极其痛苦的想了想

最后还是不会

但是大佬一眼看出这是一道类似区间dp的dp题

完全四次方暴力加上各种优化就过了

dp[i][j]表示在长为i的区间里贡献为j的方案数

我们考虑从小到大放入这些数

枚举区间长度以及放入数的位置

对于每一个插入的数来说

左右两边块内的贡献并不会改变

只有当前这个点会有min(k+1,n-k)的贡献

这样一直放到最后

dp[n][x]就是答案了

QAQ贴一下代码

#include<bits/stdc++.h>
using namespace std;
const int mod=998244353;
int n,x,dp[81][505],jiecheng[550],inv[505],LOG[505],c[510][510],maxa;
int cc(int x,int y)
{
	if(y>x) return 0;
	return 1ll*jiecheng[x]*inv[y]%mod*inv[x-y]%mod;
}
int minn(int x,int y)
{
	if(x<y)
	return x;
	return y;
}
int moc(int x)
{
	if(x>mod)
	x-=mod;
	return x;
}
int main()
{
	freopen("good.in","r",stdin);
	freopen("good.out","w",stdout);
	jiecheng[1]=jiecheng[0]=1;
	for(int i=2;i<=100;i++)
	{
		jiecheng[i]=1ll*jiecheng[i-1]*i%mod;
	}
	inv[1]=inv[0]=1;
	for(int i=2;i<=100;i++)
	{
		inv[i]=1ll*(mod-mod/i)*inv[mod%i]%mod;
	}
	for(int i=2;i<=100;i++)
	{
		inv[i]=1ll*inv[i]*inv[i-1]%mod;
	}
	for(int i=0;i<=505;i++)
	{
		for(int j=0;j<=505;j++)
		c[i][j]=cc(i,j);
	}
	cin>>n>>x;
	dp[0][0]=1;
	for(int i=2;i<=n;i++)
	LOG[i]=LOG[i>>1]+1;
	maxa=3;
	for(register int i=1;i<=n;i++)
	{
		for(register int j=minn(x,minn(LOG[i]*i,300));j>=0;j--)
		{
			for(register int k=0;k<=i-1;k++)
			{
				for(register int l=j;l>=0;l--)
				{
					int now=j+minn(k+1,i-k);
					dp[i][now]=moc(dp[i][now]+1ll*dp[k][l]*dp[i-k-1][j-l]%mod*c[i-1][k]%mod);
				}
			}
		}
	}
	cout<<dp[n][x];
	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