[BZOJ 1088][SCOI2005]扫雷Mine

本文介绍了一种简化版扫雷游戏的算法实现,该游戏棋盘为n×2矩阵,第一列放置雷,第二列为提示数字。通过递推方法确定第一列雷的不同布局方案数量,答案可能为0、1或2。
部署运行你感兴趣的模型镜像

Description

相信大家都玩过扫雷的游戏。那是在一个n*m的矩阵里面有一些雷,要你根据一些信息找出雷来。万圣节到了,“余”人国流行起了一种简单的扫雷游戏,这个游戏规则和扫雷一样,如果某个格子没有雷,那么它里面的数字表示和它8连通的格子里面雷的数目。现在棋盘是n×2的,第一列里面某些格子是雷,而第二列没有雷,如下图: 由于第一列的雷可能有多种方案满足第二列的数的限制,你的任务即根据第二列的信息确定第一列雷有多少种摆放方案。


纱布题目,递推一下就行了,答案只可能是0,1,2。

#include<iostream>
#include<cstdio>
#include<cstring>
using namespace std;
int num[10010],f[10010];
int main(){
    int n;
    scanf("%d",&n);
    for(int i=1;i<=n;i++)scanf("%d",&num[i]);
    if(n==1){if(n==0||n==1)cout<<1<<endl;else cout<<0<<endl;}
    if(num[1]==2&&n>=2){
        f[1]=1;
        f[2]=1;
        int ans=1;
        for(int i=2;i<=n-1;i++){
            f[i+1]=num[i]-f[i]-f[i-1];
            if(f[i+1]>1||f[i+1]<0){
                ans=0;break;
            }
        }
        if(f[n]+f[n-1]!=num[n])ans=0;
        cout<<ans<<endl;
    }
    if(num[1]==1&&n>=2){
        f[1]=0;
        f[2]=1;
        int ans1=1;
        for(int i=2;i<=n-1;i++){
            f[i+1]=num[i]-f[i]-f[i-1];
            if(f[i+1]>1||f[i+1]<0){
                ans1=0;break;
            }
        }
        if(f[n]+f[n-1]!=num[n])ans1=0;
        f[1]=1;
        f[2]=0;
        int ans2=1;
        for(int i=2;i<=n-1;i++){
            f[i+1]=num[i]-f[i]-f[i-1];
            if(f[i+1]>1||f[i+1]<0){
                ans2=0;break;
            }
        }
        if(f[n]+f[n-1]!=num[n])ans2=0;
        cout<<ans1+ans2<<endl;
    }
    if(num[1]==0&&n>=2){
        f[1]=0;
        f[2]=0;
        int ans=1;
        for(int i=2;i<=n-1;i++){
            f[i+1]=num[i]-f[i]-f[i-1];
            if(f[i+1]>1||f[i+1]<0){
                ans=0;break;
            }
        }
        if(f[n]+f[n-1]!=num[n])ans=0;
        cout<<ans<<endl;
    }
    if(num[1]>=3){cout<<0<<endl;}
    return 0;
}


您可能感兴趣的与本文相关的镜像

Llama Factory

Llama Factory

模型微调
LLama-Factory

LLaMA Factory 是一个简单易用且高效的大型语言模型(Large Language Model)训练与微调平台。通过 LLaMA Factory,可以在无需编写任何代码的前提下,在本地完成上百种预训练模型的微调

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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