杭电暑假集训 Team Contests - Warmup G题

本文通过一次暑假集训中的实际比赛题目,详细介绍了如何使用数位动态规划(数位DP)来解决一类特定的数学问题。文章分享了一个团队在比赛中解决该问题的过程,并提供了完整的代码实现,包括质数预处理、记忆化搜索等关键步骤。


来自暑假集训的第一场组队赛,当时很多队伍第一个过的就是这个题目。一看就是一个数位DP,因为恰恰好队伍里面三个人当时都不会数位DP,也是挺纠结的,都过了好长时间,队友才A掉,不过还是蛮佩服队友的,不会数位DP,纯粹凭着想象A掉的,还是挺强的。

我们用dp[i][j]记录枚举到第i位时,和为j的状态,进行DFS记忆化搜索,因为我们总共才16位数,所以每一位的和加起来最多也只能达到144,所以我们直接先预处理1~144之间的质数,用于判断。

#include <cstdio>
#include <cstring>
#include <iostream>
#include <algorithm>
using namespace std;
const int maxn = 2000+5;
typedef long long LL;
int bit[20];
int prime[40] = {2,3,5,7,11,13,17,19,23,29,31,37,41,43,47,53,59,61,67,71,73,79,83,89,97,101,103,107,109,113,127,131,137,139};
LL dp[20][maxn];
int a[150];
LL dfs(int len, int sum,int ismax)
{
	if(len == -1) return a[sum];
	if(!ismax && dp[len][sum]!=-1) return dp[len][sum];
	LL ans = 0;
	int Max = ismax? bit[len]:9;
	for(int i=0; i<=Max; i++)
		ans += dfs(len-1, sum+i, ismax&&i==Max); 
	return ismax? ans : dp[len][sum]=ans;
}
LL solve(LL n)
{
	int len = 0;
	while(n)
	{
		bit[len++] = n%10;
		n /= 10;
	}
	LL ans = dfs(len-1, 0, 1);
	return ans;
}
int main()
{
	int T;
	scanf("%d", &T);
	for(int i=0; i<34; i++) a[prime[i]]++;
	memset(dp,-1,sizeof(dp));
	while(T--)
	{
		LL L,R;
		cin >> L >> R;
		cout << solve(R)-solve(L-1) << endl;
	}
	return 0;
}


内容概要:本文是一份针对2025年中国企业品牌传播环境撰写的《全网媒体发稿白皮书》,聚焦企业媒体发稿的策略制定、渠道选择与效果评估难。通过分析当前企业面临的资源分散、内容同质、效果难量化等核心痛点,系统性地介绍了新闻媒体、央媒、地方官媒和自媒体四大渠道的特点与适用场景,并深度融合“传声港”AI驱动的新媒体平台能力,提出“策略+工具+落地”的一体化解决方案。白皮书详细阐述了传声港在资源整合、AI智能匹配、舆情监测、合规审核及全链路效果追踪方面的技术优势,构建了涵盖曝光、互动、转化与品牌影响力的多维评估体系,并通过快消、科技、零售等行业的实战案例验证其有效性。最后,提出了按企业发展阶段和营销节点定制的媒体组合策略,强调本土化传播与政府关系协同的重要性,助力企业实现品牌声量与实际转化的双重增长。; 适合人群:企业市场部负责人、品牌方管理者、公关传播从业者及从事数字营销的相关人员,尤其适用于初创期至成熟期不同发展阶段的企业决策者。; 使用场景及目标:①帮助企业科学制定媒体发稿策略,优化预算分配;②解决渠道对接繁琐、投放不精准、效果不可衡量等问;③指导企业在重大营销节点(如春节、双11)开展高效传播;④提升品牌权威性、区域渗透力与危机应对能力; 阅读建议:建议结合自身企业所处阶段和发展目标,参考文中提供的“传声港服务组合”与“预算分配建议”进行策略匹配,同时重视AI工具在投放、监测与优化中的实际应用,定期复盘数据以实现持续迭代。
先展示下效果 https://pan.quark.cn/s/987bb7a43dd9 VeighNa - By Traders, For Traders, AI-Powered. Want to read this in english ? Go here VeighNa是一套基于Python的开源量化交易系统开发框架,在开源社区持续不断的贡献下一步步成长为多功能量化交易平台,自发布以来已经积累了众多来自金融机构或相关领域的用户,包括私募基金、证券公司、期货公司等。 在使用VeighNa进行二次开发(策略、模块等)的过程中有任何疑问,请查看VeighNa项目文档,如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助,也欢迎在【经验分享】板块分享你的使用心得! 想要获取更多关于VeighNa的资讯信息? 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】: AI-Powered VeighNa发布十周年之际正式推出4.0版本,重磅新增面向AI量化策略的vnpy.alpha模块,为专业量化交易员提供一站式多因子机器学习(ML)策略开发、投研和实盘交易解决方案: :bar_chart: dataset:因子特征工程 * 专为ML算法训练优化设计,支持高效批量特征计算与处理 * 内置丰富的因子特征表达式计算引擎,实现快速一键生成训练数据 * Alpha 158:源于微软Qlib项目的股票市场特征集合,涵盖K线形态、价格趋势、时序波动等多维度量化因子 :bulb: model:预测模型训练 * 提供标准化的ML模型开发模板,大幅简化模型构建与训练流程 * 统一API接口设计,支持无缝切换不同算法进行性能对比测试 * 集成多种主流机器学习算法: * Lass...
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