1/8/2012 ICPC培训 第十七天

Foxmail 7.2.25以下版本XSS漏洞实战复现:手把手教你如何构造恶意邮件(含防御方案) 本文深入解析Foxmail 7.2.25以下版本的XSS漏洞(CNVD-2025-06036),详细展示如何构造恶意邮件进行跨站脚本攻击,并提供从客户端升级到企业级防护的多层次防御方案,帮助用户有效防范安全风险。 阅读详情

有两天没写喽,最近状态不太好,大哭。。。

还是以前的老问题,老是感觉自己不咋的,快没机会了,开学就大三了,也在HDU上做了

400+题了,可是的确不咋的呀。比赛一直不好,身边一群大一,都不错,唯独几个大二,

大部分是我同班同学,高我若干数量级。。。

怎么说呢。这就是我喜欢干的事,就是喜欢AC,即使我再做400+,甚至1000+,也不见得

能咋的,打快金牌回来,希望微乎其微。但我还是喜欢,这不会改变滴。

就像一个老师对我说的:你喜欢干的就是你的事情,你应该坚持。你做的好不好,干别人什么

事。你或许再干十年,也不见得能超越谁。但那就是你喜欢的事。

分析自己最近状态不好的原因吧:

1、见不得身边的人比自己好。说白了就是嫉妒心太重了!

希望自己可以宽容点。全身心做自己喜欢的事。

2、不服输。

自己做了这么长时间,投入这么多。都以为别人没自己这样的投入,不应该比自己好!!!

呵呵,这个就是个问题了。就算我研究一辈子E=MC^2,我也不会比爱因斯坦强。。。

我应该淡定下来,一点一点努力,一点一点进步。

大笑,在这里吐吐糟,希望大家不要见怪。

好了,在贴几题最近做的题吧。

HDU4318

最短路径问题的变形。不直接求最小损失,求最大的剩余。

代码:

#include<iostream>
#include<vector>
#include<queue>
using namespace std;

const int maxn=50001;
const int INF=0x7fffffff;

struct edge
{
    int to;
    double cost;
};

double minCost[maxn];
bool inQ[maxn];
int start,end,numNode;
double sumE;
vector<edge> myV[maxn]; 

void input()
{
    for(int i=0;i<maxn;i++)
    {
        myV[i].clear();
    }
    
    int from=1,to,adj; 
    double cost; 
    while(numNode--)
    {
        scanf("%d",&adj);
        
        for(int j=0;j<adj;j++)
        {
            scanf("%d%lf",&to,&cost);
            
            edge e;
            e.to=to;
            e.cost=1-cost*1.0/100;
            
            myV[from].push_back(e);
        }
        
        ++from; 
    }
    
    scanf("%d%d%lf",&start,&end,&sumE);
} 

void SPFA()
{
    memset(inQ,false,sizeof(inQ));
    inQ[start]=true;
    for(int i=0;i<maxn;i++) minCost[i]=-1;
    minCost[start]=sumE; 
    
    queue<int> myQ;
    myQ.push(start);
 
    int from,to;
    double cost;
    while(!myQ.empty())
    {
        from=myQ.front();
        myQ.pop();
        inQ[from]=false;
        
        for(int j=0;j<myV[from].size();j++)
        {
            to=myV[from][j].to;
            
            cost=minCost[from]*myV[from][j].cost;
            
            if(minCost[to]<cost)
            {
                minCost[to]=cost;
                
                if(!inQ[to])
                {
                    inQ[to]=true;
                    myQ.push(to);
                }
            }
         }
     }
     
     if(minCost[end]>=0) printf("%.2lf\n",sumE-minCost[end]);
     else printf("IMPOSSIBLE!\n");
} 
 
int main()
{
    while(cin>>numNode)
    {
        input();
        
        SPFA();
    }
    
    system("pause");
    return 0;
} 

HDU1264

本来说是树状数组的模板题,我水过了。。。

代码:

#include<iostream>
using namespace std;

const int maxn=101;

bool map[maxn][maxn];
int a,b,c,d,sum;

void deal()
{
    int x1=min(a,c);
    int x2=max(a,c);
    int y1=min(b,d);
    int y2=max(b,d);
            
    for(int i=x1;i<x2;i++)
    {
        for(int j=y1;j<y2;j++)
        {
            map[i][j]=true;
        }
    }
}

int main()
{
    bool flag=false;;
    while(1)
    {
        if(flag) break;
        
        sum=0;
        flag=false;
        memset(map,false,sizeof(map));
        
        while(cin>>a>>b>>c>>d)
        {
            if(a==-1 && b==-1 && c==-1 && d==-1) break;
            if(a==-2 && b==-2 && c==-2 && d==-2)
            {
                flag=true;
                break;
            }
            
            deal();
        }       
            
        for(int i=0;i<=100;i++)
        {
            for(int j=0;j<=100;j++)
            {
                if(map[i][j])
                {
                    sum++;
                }
            }
        }
        
        cout<<sum<<endl;
    }
    
    system("pause");
    return 0;
}


 还有本次(第四次比赛的题目)

题目:

一个不以0开头n位数,算出他的平方,要使平方的末尾是987654321,问满足这种条件的n位数的个数

输入:

输入只有一个整数 N (1<=N<=106)(不是多组数据)

输出:

输出满足要求的数的个数

 

代码:

/*
  先打表,找规律 
#include<iostream>
using namespace std;

int main()
{
    __int64 t;
    
    for(__int64 i=100000000;i<=999999999;i++)
    {
        t=i*i;
        t-=987654321;
        
        for(__int64 j=1;j<=9;j++)
        {
            if(t%10==0) t/=10;
            else break;
            if(j==9)cout<<i<<endl;
        }
    }
    
    system("pause");
    return 0;
}
*/


#include<iostream>
using namespace std;

int main()
{
    int n;
    
    cin>>n;
    
    if(n<=8)
    {
         cout<<0<<endl;
    } 
    else if(n==9)
    {
         cout<<8<<endl;
    } 
    else
    {
        cout<<72;
        for(int i=1;i<=n-10;i++)
        {
             cout<<0;
        } 
        cout<<endl;
    }
    
    return 0;
}    

先打表,求出10位数以内的满足条件的数。大于10位数,找规律。

坑爹呀,这种做题方式还是第一次接触。。。

 

TCP/IP工业通信C#极致实现:工业级TcpClient封装 + 粘包拆包彻底解决 + 高频采集专项优化(完整可投产) 在工业自动化、PLC通信、工业传感器/模块、产线高频数据采集等场景中,TCP/IP是绝对主流的通信方式,相比串口/485,具备传输速率高、距离无限制、布线简单、抗干扰强的优势。但工业TCP通信和普通桌面TCP通信有本质区别,工业场景的核心要求是:✔高可靠:7×24小时不间断运行,断网自动重连、异常自动恢复,绝不崩溃;✔无数据错误:彻底解决「粘包、拆包、半包」问题(工业通信第一大坑,90%的通信异常源于此);✔高频采集优化:支持级别的高频读写PLC/设备,无卡顿、无丢帧、CPU占用极低;✔。 阅读详情

相关推荐

ZEMAX优化方法---【Zemax学习】

在光学系统自动设计中,优化设计是光学设计中的重要阶段,也是ZEMAX软件的核心功能,涉及评价函数、权因子、阻尼因子等重要概念。在常用的阻尼最小二乘法优化设计的基础上,ZEMAX给我们提供了三种优化选择:Optimization(局部优化)、Global Search(全局优化)和 Hammer Optimization(锤形优化)。

yh的博客 4454

ICPC冠军教练亲自授课 字节跳动ICPC冬令营全球招募50支受训队

“2019字节跳动程序设计冬令营”于11月20-28日正式开放网络报名啦!字节跳动程序设计冬令营是首个由中国企业发起主办,面向全球高校学生,旨在为国际大学生程序设计竞赛(...

AI科技大本营 2826

基于TL431与光耦的电压反馈环路优化设计实战

本文深入探讨了基于TL431与光耦的电压反馈环路优化设计实战。文章从理解这对“黄金搭档”的工作原理入手,详细拆解了电压采样电阻网络、偏置电路、光耦工作点设置以及动态补偿网络的设计心法与计算步骤。重点分享了如何通过RC补偿网络调试,确保环路在各种负载下稳定可靠,并提供了关键的实战避坑指南,帮助工程师解决电源设计中常见的振荡、噪声及可靠性问题。

nginx7reverse的博客 780

SDNU ACM-ICPC 2019 Training Weekly Contest 1

比赛链接: SDNU ACM-ICPC 2019 Training Weekly Contest 1 题目链接: A - Concatenated Multiples 题目大意: 给 n 个数,将这 n 个数两两组合,问有多少组可以被 k 整除. 分析: 比如 a 与 b 组合,则组合后为 . 所以想要被整除只需要 ( % k + b % k) % k == 0. 所以用...

The___Flash的博客 288

数字后端实战指南 | Innovus Function ECO全流程解析(从LAB到Tapeout)

本文深入解析了在Cadence Innovus工具中进行Function ECO的全流程实战指南。从LAB环境搭建到Tapeout前的签核验证,详细拆解了Pre-mask与Post-mask ECO的核心步骤、关键命令(如ecoDesign)以及常见避坑方案。重点阐述了如何应对时序、DRC等挑战,并强调了备用单元管理与严格验证的重要性,是数字后端工程师提升综合能力的必备参考。

weixin_28452161的博客 644

华硕三频万兆分布式路由组网实战:从AiMesh 2.0到全屋Wi-Fi 6覆盖

Mesh组网是解决大户型Wi-Fi覆盖难题的主流方案,其核心原理是通过多个节点构建网状网络,实现设备间的无缝漫游。在技术层面,Wi-Fi 6标准、三频设计(包括专属回程频段)和有线回程等技术,共同提升了网络的带宽、稳定性和抗干扰能力。这些技术的工程价值在于,能够为多设备并发、高带宽应用(如4K/8K流媒体、在线游戏、内网文件高速传输)提供可靠支撑。具体到应用场景,例如利用华硕AiMesh 2.0系统,配合三频万兆分布式路由器,可以实现智能的设备连接与负载均衡。通过合理规划节点位置、优先采用有线回程,并进行Q

weixin_34054866的博客 433

17/7/2012 ICPC培训 第二天

今天上午看了两题,刷出来一题,耗时两个小时。另外那题也花了一个半小时。 1、刷掉的题(HDU1212)。 这题是求模。不过数会很大。我用的是处理字符串,找规律。一步步缩小数。 主要思想就是:用一个字符串数组存下那个大数。然后从后到前每8位取成一个int数(字符串到整数的 转换),存放在一个整型数组内。然后依次对这个整型数组求模。要注意的是,整型数组从后向前第一 位要模b一次,第二位两次,

ON THE WAY TO GEEK 1042

Oracle21C Windows安装全攻略:从下载到配置环境变量,避开ORA-12514的坑

本文详细介绍了Oracle21C在Windows系统上的安装全流程,包括环境准备、安装包验证、分步安装指南、数据库实例创建与配置、环境变量精准配置等关键步骤,特别针对常见的ORA-12514错误提供了解决方案,帮助用户顺利完成安装并避免常见问题。

ooo22的博客 415

算法竞赛中的数学 习题集2941-2950(10题)

算法竞赛中的数学 习题集2941-2950(10题)

青少年趣味编程 670

【AUTOSAR SystemServices】AUTOSAR CP中Watchdog Manager模块技术解析

本文深入解析了AUTOSAR中的Watchdog Manager模块实现。该模块通过多层次监督机制(Alive/Deadline/Logical Supervision)确保系统安全运行,具备动态模式切换和分级故障处理能力。 关键实现包括: 数据结构设计:包含监督实体状态结构体(实时状态维护)、监督配置结构体(支持模式切换)和全局状态信息(系统级监控) 核心流程优化:初始化采用事务性设计,检查点处理通过条件编译优化,主监控循环采用流水线式并行处理 监督机制实现:Alive监督采用滑动窗口算法,Deadlin

1039

RT-DETR-R18 的轻量化 Trick:剪枝与量化在模型中的应用

RT-DETR-R18轻量化技术通过结构化剪枝、混合精度量化和知识蒸馏的组合优化,实现了显著模型压缩效果。摘要如下: RT-DETR-R18模型通过创新轻量化技术组合,在保持46.2% mAP精度的前提下,将模型大小压缩至2.1MB(压缩率78%),计算量降至3.2 GFLOPs(减少78.2%),实现移动端28ms实时推理(加速37.8%)。核心技术包括:1)渐进式结构化剪枝系统,通过L1范数重要性评估和动态剪枝调度;2)混合精度量化策略,对关键层保留FP16精度;3)教师-学生知识蒸馏框架保持模型表达能

走向CTO的路上... 1194

The Famous Clock

题目484 The Famous Clock时间限制:1000 ms | 内存限制:65535 KB难度:1描述Mr. B, Mr. G and Mr. M are now in Warsaw, Poland, for the 2012’s ACM-ICPC World Finals Contest. They’ve decided to take a 5 hours ...

weixin_30622107的博客 74

TPM 2.0实例探索2 —— LUKS磁盘加密(1)

本文对LUKS行了系统介绍

phmatthaus的专栏 1701

NYOJ--484 The Famous Clock

The Famous Clock 时间限制:1000 ms  |  内存限制:65535 KB 难度:1 描述 Mr. B, Mr. G and Mr. M are now in Warsaw, Poland, for the 2012’s ACM-ICPC World Finals Contest. They’ve decided to take a 5 hours trainin

herongwei 的 BLOG 993

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

群发通知数据结构设计_CCF关于举办NOIP2020的通知

全国青少年信息学奥林匹克联赛NOIP今年将恢复举行。考虑到参赛成本,将仅举办面向高中学生、人数有限(约1万人)的提高级别的竞赛。参加NOIP是参加NOI的必要条件,不参加NOIP将不具有参加NOI的资格。竞赛费:0元,但本着谁受益谁承担成本的原则,参加竞赛所需的餐饮、住宿、交通、保险等费用由参加者自行承担。具备如下条件之一者,具有参赛NOIP的资格:1.凡是由CCF认定的国内国际程序设计...

weixin_39950552的博客 416

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!

ACM学习书籍简介

ACM学习书籍简介

青少年趣味编程 1578

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")

2020年蓝桥杯比赛时间_100%获奖:恭喜2020第十二届蓝桥杯青少年组STEMA评测获奖学员...

第十二届蓝桥杯青少年组STEMA评测于8月23日在线上举行,睿立方编程共计12名在读学员参赛,100%获奖,祝贺学员们的优异表现!吕*希:C++中级组一等奖桑*祥:C++中级组一等奖赵*潼:C++高级组二等奖冯*宸:C++中级组二等奖沈*晨:C++中级组二等奖张*耀:C++中级组二等奖裘*石:C++中级组三等奖饶*颐:C++中级组三等奖孙*梵:C++中级组优秀奖周*涵:C++中级组优秀奖...

weixin_39924573的博客 3410

计算几何 学习书籍及信奥相关学习资料集

1、计算几何及应用(2012.04)2、计算几何—算法设计、分析及应用(第5版)-20163、计算几何教程(2021.12)4、计算几何 第3版(2013.10)5、离散几何处理与应用(2022.08)6、计算机图形学——几何体数据结构(2019.08)7、计算共形几何 (理论篇)-2020.05。

青少年趣味编程 1304

信息学奥赛书籍 提高篇 --- (2022.01.30-2025.03.31)

1、信息学奥赛一本通 提高篇 2、算法训练营:海量图解+竞赛刷题(进阶篇)-2021.04 3、算法竞赛进阶指南(第六版) 4、《算法竞赛入门经典(第2版)》(推荐指数:5颗星)---2014-06 5、算法竞赛入门经典——训练指南--2012-10-1 6、算法竞赛入门经典——习题与解答(2018-01) 7、算法竞赛入门经典——算法实现(2021.05) 刘汝佳经典系列(C++)--6本(其中一本电子书),还...

青少年趣味编程 4464

19/7/2012 ICPC培训 第四天

今天只刷出来三题。 明天下午组内又有测试了,肿么办呀,搜索和DP。 说说今天吧。 这三题都是以前看过但没做出来的题,也根本就没尝试去做,就觉得做不出来! 第一题(HDU4039)。 这题花了6个小时左右。其实,前两个小时代码就搞定了,可是有一处小错,一直TLE呀。 在Floyd()中把两个if判断条件没写好呀。明明算法是对的,可是代码逻辑就是没能那样写出来! 这种错误还很难找!!!

ON THE WAY TO GEEK 4078

25/7/2012 ICPC培训 第十天

啦啦啦 又来喽 今天一直在做小生成树问题。总共刷了7题,用来两种算法,prime和kurskal。 而且还都是HDU畅通工程系列的。   上午把prime算法的模板谢了出来,然后用模板刷了三题。 HDU1863、HDU1233、HDU1879 由于代码神似呀,这里只贴1863的代码了。 代码: #include #include #include using namespace

ON THE WAY TO GEEK 3880

23/7/2012 ICPC培训 第八天

今天真的都有点不想写了!!! 上午做一题(HDU1829),没刷出来。下午在做一题(HDU3635),还是没刷出来。。。 这两题都是关于并查集的。题目可以理解,大部分要求都能实现,可是就一直卡在一些细节上! 或者WA,或者狠下心来暴力一把TLE。。。 纠结呀!!!   不过今天还是有收获滴。 今天把上次比赛的题目都搞定啦。感谢唐爽童鞋、张浩然童鞋的指导。 我还发现B题的一个错,标程

ON THE WAY TO GEEK 3484

21/7/2012 ICPC培训 第六天

今天本来安排刷DP的,可是各种不懂呀!!!勉强刷出两道题! 眼看没做出题,还是刷两道二分查找吧。 其他的就是讲解了昨天下午的比赛题目。各种思路,搞得我甚是膜拜。每种思路都很简洁, 把需要解决的问题抽象的很好很好。为啥我就不能想出来呢???无语吆。。。 不过膜拜归膜拜,有了思路得在这两天把没做出来的几题刷了。 最后,晚上,张浩然同学给我们简单介绍了下STL。   还是来讲讲我做的题吧。

ON THE WAY TO GEEK 2963

24/7/2012 ICPC培训 第九天

又来吐吐糟啦。。。 今天还算顺利,总共刷出了5题。 前两题是并查集,就是昨天没搞定的。后面三题都是最短路径了。   简单说说这几题吧。 关于并查集的两题其实都是卡在了路径压缩的处理上。很坑爹的说。其实也就是在路径压缩时 利用数组记录下一些信息。在需要的时候在合理的计算出来。 其实,挺难理解的。。。 我也只是一知半解了。。。   第一题(HDU1829) 主要是判断两个人是否在

ON THE WAY TO GEEK 2932

20/7/2012 ICPC培训 第五天

今天是第二次内部比赛。 共六题,刷出来两题。都是搜索。排在第二名,第一刷出3题,然后有好几个刷出2题的。 还需努力呀!(明天看过结题报告后再把题目、代码、测试数据传到共享里) 另外,今天还刷了HDU上的2题,依旧都是搜索。明天开始做DP了。大神说要从背包开始。 第一题(HDU1181) 题目意思很好懂。就是输入一系列单词,每个单词的首尾字母可以到达,问是否能从b->m。 我的做法是

ON THE WAY TO GEEK 2847

22/7/2012 ICPC培训 第七天

又来吐糟了啦。。。 今天照样刷出来的题不多。勉强也只能算个三题半吧!   上午在做上次比赛的B题。 要用数据结构,vector和deque。也第一次感受到了数据结构的魅力,的确把时间复杂度优化的很好。 按照出题者的思路写出了代码,TLE了。结果你懂得,各种纠结,再也想不到如何优化了。。。 然后,就在刚才,把出题人-—唐爽童鞋的代码拿来,居然也TLE了。神马情况。   快到中午,眼看

ON THE WAY TO GEEK 2846
上一篇: 树状数组学习小结
下一篇: HDU 1395 2^x mod n = 1
lulipeng_cpp
博客等级 码龄15年 169粉丝 130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