纪中集训2020.01.13【NOIP普及组】模拟赛C组总结————My First Time Write Summary

本文是作者参加纪中集训2020.01.13【NOIP普及组】模拟赛C组的总结,分享了在比赛中遇到的四道编程题的解题思路和感受,包括动态规划、数对问题、传纸条的四维DP解法以及双栈排序问题。虽然成绩不理想,但通过比赛,作者认识到了自己在编程知识上的不足,尤其是动态规划的应用。

纪中集训2020.01.13【NOIP普及组】模拟赛C组总结

题目编号 标题
0 【NOIP普及组模拟】取值( numbers.pas/cpp)
1 【NOIP普及组模拟】数对(pairs.pas/cpp )
2 【提高组NOIP2008】传纸条(message.pas/cpp)
3 【提高组NOIP2008】双栈排序 (twostack.pas/c/cpp)

~~巨佬估分:30+100+30+36.4=196.4~
蒟蒻得分:30+10+0+9.1=49.1
崩了!!!
第8,49.1分!!!一共10个人比赛FAQ
在AC代码和WA10分的代码中纠结,幸运的 我自豪的把WA的代码交上去了!
比赛完,巨佬们:啊!我少打了一点,少了个if,忘记附初始值了,差点就AK了!FAQ
蒟蒻(只有我):这个知识点好像还没学,emmmm…

0.【NOIP普及组模拟】取值( numbers.pas/cpp)

题目大意:读入n&m。使得x[1]+x[2]+x[3].......+x[n]=m。使得必须
0<=x[1]<=x[2]<=........x[n]<=m,求(x[1]到x[n])的取法总数 mod 100000007 的值?
样例输入
2
3 2
7 3

样例输出
2
8
 

数据范围限制
对于 10%的数据,1<=n<=m<=10
对于 30%的数据,1<=n<=m<=50
对于 50%的数据,1<=n<=m<=100
对于 100%的数据,T<=20,1<=n<=m<=300
 

分析直接崩了!!!30分,一个递归,看似很水的题目,实际上,还是很水!
正解,巨佬们说不就是个简单附初始值的DP(动态规划)吗?十几分钟就AC了!FAQ实力碾压
正解分析:首先,把对于 100%的数据,T<=20,1<=n<=m<=300,的所有的值都附一个初始值DP式

**f[i,j]:=f[i-1,j]+f[i,j-i];**记得把f[i,0]:=1;
然后直接输出!!!
注意M&N 读入二数的实际意义

附上AC Pascal 代码:

var
        n,x,y:int64;
        i,j,k,sum:longint;
        f:array[-305..305,-305..305]of int64;
begin
        assign(input,'numbers.in');
        reset(input);
        assign(output,'numbers.out');
        rewrite(output);
        readln(n);
        for i:=1 to 305 do
        begin
                f[i,0]:=1;
                for j:=1 to 305 do
                begin
                        f[i,j]:=f[i-1,j]+f[i,j-i];
                end;
        end;
        for i:=1 to n do
        begin
                readln(x,y);
                writeln(f[y,x] mod 100000007);
        end;
        close(input);
        close(output); 
end.

附上AC C++ 代码:

#include<cstdio>
using namespace std;
int t,n,m,k,i,j,f[1001][1001];
int main()
{
   
   
	freopen("numbers.in","r",stdin);
	freopen("numbers.out","w",stdout);
	scanf("%d",&t);
	for (k=1;k<=t;k++)
	{
   
   
		scanf("%d%d",&m,&n);
		for (i=1;i<=n;i++)
			f[i][0]=1;
		for (i=1;i<=n;i++
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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