cf554题意的理解和组合问题

本文深入解析了如何使用卢卡斯定理解决组合问题,并提供了实际代码实现,帮助读者理解和掌握该算法。
部署运行你感兴趣的模型镜像

这题当时做的时候不是很理解题意,就撸了一发卢卡斯定理,结果不对,后来理解了好久还是不理解那句话,

百度了题解,发现是第i中颜色的最后一个后面必须是i+1种颜色,然后剩下的就是组合问题,

#include<iostream>
#include<cstdio>
#include<algorithm>
#include<set>
#include<string>
#define LL long long
using namespace std;
LL c[1005][1005];
const LL mod=1000000007;
int main()
{

   c[0][0]=1;
   for(int i=1;i<=1000;i++)
   {
       c[i][0]=1;
       for(int j=1;j<=i;j++)
        c[i][j]=(c[i-1][j]+c[i-1][j-1])%mod;
   }
   int k;
   while(cin>>k)
   {
       int a[1005];
       for(int i=1;i<=k;i++)
        cin>>a[i];
       LL res=1;
       int total=0;
       for(int i=1;i<=k;i++)
       {
           res=res*c[total+a[i]-1][a[i]-1]%mod;
           total+=a[i];
       }
       cout<<res<<endl;
   }
   return 0;
}


您可能感兴趣的与本文相关的镜像

Qwen-Image

Qwen-Image

图片生成
Qwen

Qwen-Image是阿里云通义千问团队于2025年8月发布的亿参数图像生成基础模型,其最大亮点是强大的复杂文本渲染和精确图像编辑能力,能够生成包含多行、段落级中英文文本的高保真图像

内容概要:本文提出了一种基于融合鱼鹰算法柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
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