【JZOJ3059】【NOIP2012模拟10.26】雕塑【数论】【容斥】

Slurm集群调度策略详解(1)-主调度 Slurm调度系统中针对作业的调度主要有三种,主调度,回填调度,GANG调度,这篇文章主要针对主调度进行解析。 阅读详情

题目大意:

题目链接:https://jzoj.net/senior/#main/show/3059
求 n × n n\times n n×n含 m m m个障碍网格中选择 n n n个格子,使得任意两个格子不在同一行、同一列的方案数。


思路:

由于 m m m只有 10 10 10,可以考虑用总方案数 − - −放在障碍上的方案数。
总方案数很明显是 n ! n! n!
因为第一行有 n n n个格子可以选,选择其中一个后,第二行就有 n − 1 n-1 n−1个格子可选,第三行就有 n − 2 n-2 n−2个可选,一直到最后一行只有 1 1 1个可选。总方案数就是 n × ( n − 1 ) × . . . × 1 = n ! n\times (n-1)\times ...\times 1=n! n×(n−1)×...×1=n!
然后我们会发现总方案数里面包含了选择 1 1 1个障碍的方案数。所以我们再减去选择 1 1 1个的方案数。此时我们会发现,总方案数里面包含了选择 2 2 2个方案数,减去选择一个的方案数后,减去的也包含了选择 2 2 2个障碍的方案数。相抵消,就等于没有减去选择 2 2 2个障碍的方案数。于是我们就要减去选择 2 2 2个的方案数。然后加上选择 3 3 3个,减去选择 4 4 4个。。。
用人话说,设 s i s_i si​表示在 n × n n\times n n×n网格中选择 n n n个格子,其中有 i i i个格子是障碍的情况数量。那么答案就是
{ n ! − s 1 + s 2 − s 3 + s 4 − . . . − s n − 1 + s n ( n % 2 = = 0 ) n ! − s 1 + s 2 − s 3 + s 4 − . . . + s n − 1 − s n ( n % 2 = = 1 ) \left\{\begin{matrix}n!-s_1+s_2-s_3+s_4-...-s_{n-1}+s_n(n\%2==0) \\n!-s_1+s_2-s_3+s_4-...+s_{n-1}-s_n(n\%2==1)\end{matrix}\right. {n!−s1​+s2​−s3​+s4​−...−sn−1​+sn​(n%2==0)n!−s1​+s2​−s3​+s4​−...+sn−1​−sn​(n%2==1)​
那么如何求 s i ? s_i? si​?
很明显, s i = s_i= si​=选择 i i i个障碍的方案数 × \times ×选择 m − i m-i m−i个非障碍的方案数。
选择 i i i个障碍的方案数可以用搜索求。因为 m m m只有 10 10 10,可以 2 m 2^m 2m判断是否选择则个障碍。
那么选择 m − i m-i m−i个非障碍的方案数其实就是要我们求在 ( m − i ) × ( m − i ) (m-i)\times(m-i) (m−i)×(m−i)的格子里选择 m m m个格子的方案数,自然就是 m ! m! m!了。
0 ∼ 20 0\sim 20 0∼20的阶乘要提前预处理,时间复杂度 O ( m × 2 m ) O(m\times 2^m) O(m×2m)。


代码:

#include <cstdio>
#include <iostream>
using namespace std;
typedef long long ll;

int n,m,x[15],y[15];
ll ans,num[25],s;
bool used[3][25];

void dfs(int i,int cnt,int sum)
//i表示处理到第i个障碍,cnt表示选择了多少个障碍,sum表示需要选择的总障碍数
{
    if (cnt==sum)  //选择完毕
    {
        s++;  //方案数
        return;
    }
    if (i>m) return;
    if (!used[1][x[i]]&&!used[2][y[i]])  //这一行和这一列都没有被选择
    {
        used[1][x[i]]=used[2][y[i]]=1;
        dfs(i+1,cnt+1,sum);
        used[1][x[i]]=used[2][y[i]]=0;
    }
    dfs(i+1,cnt,sum);
}

int main()
{
    scanf("%d%d",&n,&m);
    for (int i=1;i<=m;i++)
        scanf("%d%d",&x[i],&y[i]);
    num[0]=1;
    for (int i=1;i<=n;i++)  //预处理阶乘
        num[i]=i*num[i-1];
    ans=num[n];
    for (int i=1;i<=m;i++)
    {
        s=0;
        dfs(1,0,i);
        if (!s) break;
        if (i&1) ans-=s*num[n-i];
            else ans+=s*num[n-i]; 
    }
    printf("%lld\n",ans);
    return 0;
}
1688店铺所有商品API接口(整店商品查询API接口) 1688店铺所有商品API接口、1688店铺列表API接口,1688店铺API接口,1688店铺查询商品API接口,1688店铺商品API接口,1688店铺详情接口,1688商品API接口 阅读详情

相关推荐

BUCK型DC/DC变换器的建模与仿真

BUCK型DC-DC变换器的建模与仿真摘要1 文献调研1.1 研究背景1.2 Buck电路的应用场合2 原理分析2.1 模型介绍2.2 模型分析2.3 频域和时域响应2.4 参数指标要求3 参数设计3.1 校正器选择3.2 校正器参数整定3.2.1 积分器3.2.2 一阶微分环节3.2.3 超前校正器3.3 改进4 结论与展望参考文献 摘要   目前工业自动化水平已成为衡量各行各业现代化水平的一个重要标志。如何对一个系统进行建模分析、补偿校正变得越来越重要。   本文选择BUCK型DC/DC变换器作为载体,

屠龙归来仍是少年 2万+

16.9.10 C:3059. 【NOIP2012模拟10.26】雕塑

Description【问题描述】Wcyz为了迎接百年校庆,美化校园,请了校友笨笨将n座雕塑,准备安置在校园内,整个校园可以抽象成一个n*n的大网格,每个1*1网格最多只能安置一座雕塑,但是某些1*1的网格上恰好是一个食堂或湖泊,这些网格是不能安置雕塑的,每个雕塑的造型相同,这样同一种安置方案中交换排列都算一种。任意雕塑在同一行或同一列是不合法的方案。学校想知道有多少种安置方案,笨笨想从中选择最好的

qq_35169233的博客 425

多尺度变换(Multidimensional Scaling ,MDS)详解

介绍多尺度变换基本原理

5215

【NOIP2012模拟10.26】雕塑

Description Wcyz为了迎接百年校庆,美化校园,请了校友笨笨将n座雕塑,准备安置在校园内,整个校园可以抽象成一个n*n的大网格,每个1*1网格最多只能安置一座雕塑,但是某些1*1的网格上恰好是一个食堂或湖泊,这些网格是不能安置雕塑的,每个雕塑的造型相同,这样同一种安置方案中交换排列都算一种。任意雕塑在同一行或同一列是不合法的方案。 学校想知道有多少种安置方案,笨笨想从中选择最好的一种方案

peter_zhu01的博客 510

LIO-SAM运行报错‘process has died’?别慌,一个命令搞定libmetis.so库路径问题

本文详细解析了LIO-SAM运行中常见的‘process has died’报错问题,特别是由libmetis.so库路径错误导致的节点崩溃。通过一个简单的命令移动库文件到正确位置,即可快速解决这一问题,同时提供了多种替代方案和预防措施,帮助开发者更好地理解Linux动态库加载机制和ROS环境管理。

weixin_29231221的博客 205

【DEIM创新改进】独家下采样创新改进篇 | ECCV 2026 | DEIM 引入FSD-Down频域-空间动态下采样,在下采样过程中保留小目标的高频信息、助力小目标检测、遥感小目标检测有效涨点

🔥本文提出了一种名为FSD-Down的频域-空间动态下采样模块,用于改进DEIM网络模型在小目标检测中的性能。FSD-Down通过小波分解显式保留低频语义和高频细节,结合分组卷积、动态通道权重和可学习缩放因子,自适应强化目标边缘与纹理特征。该模块能有效减轻传统下采样造成的频率混叠和细节丢失,提升对小目标、密集目标和低对比度目标的检测能力。实验表明,FSD-Down计算开销可控,在保持实时性的同时显著提升检测精度,特别是在VisDrone和AITODv2数据集上对小目标的检测性能提升显著。

Ai缝合怪、助力小伙伴高效发论文 82

JZOJ 3059. 【NOIP2012模拟10.26】雕塑

...分析:代码: 分析: 总方案数显然是n!n!n! 但是题目中有障碍物,所以我们考虑用总方案数-障碍物的方案数 但随后我们发现,答案貌似不太对!——因为我们计算了重复的部分。所以我们就使用容斥原理解决 代码: #include&lt;iostream&gt; #include&lt;cstdio&gt; #include&lt;cmath&gt; #include&lt;cstring&g...

qq_35786326的博客 324

一文吃透:从零到一开发一套 ABAP RAP 应用的完整路径

ABAP RAP开发实战摘要 本文系统介绍了ABAP RESTful Application Programming Model (RAP)在企业级应用开发中的实施路径。文章以出差申请业务场景为例,详细拆解了RAP开发的六步主线流程: 数据库表设计:规范主键、审计字段设计 CDS数据建模:通过视图定义业务对象实体及关联 行为定义与实现:使用BDEF声明事务规则,Behavior Pool类实现业务逻辑 业务对象投影:裁剪服务接口视图 服务定义与绑定:按OData协议暴露服务 UI集成测试:支持Fiori E

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 508

jzoj 3059. 【NOIP2012模拟10.26】雕塑

Description Wcyz为了迎接百年校庆,美化校园,请了校友笨笨将n座雕塑,准备安置在校园内,整个校园可以抽象成一个n*n的大网格,每个1*1网格最多只能安置一座雕塑,但是某些1*1的网格上恰好是一个食堂或湖泊,这些网格是不能安置雕塑的,每个雕塑的造型相同,这样同一种安置方案中交换排列都算一种。任意雕塑在同一行或同一列是不合法的方案。 学校想知道有多少种安置方案,笨笨想从中选择最好的一...

自以为心若顽石,却终究人非草木。 260

TPAMI 2025 | 从缺失碎片到杰作:基于上下文自适应扩散的图像修复

图像修复是一项具有挑战性的任务,尤其是要确保生成的内容与图像的现有部分无缝融合。尽管最近的扩散模型展现出了潜力,但它们在保持已知区域和未知(缺失)区域之间的连贯性方面常常遇到困难。这个问题源于扩散过程中缺乏明确的空间和语义对齐,导致生成的内容无法与原始图像平滑融合。此外,扩散模型通常依赖全局学习分布,而非局部特征,这使得生成的图像部分与现有图像部分之间存在不一致。在这项工作中,作者提出了ConFill,这是一个新颖的框架,引入了上下文自适应差异(CAD)模型,以确保在整个扩散过程中,已知区域和未知区域的中间

小白学视觉 240

一文吃透 ABAP CDS SELECT:语法全景、关联与去重、可运行示例与实战心法

摘要: 本文深入解析ABAP中CDS视图的SELECT语法,重点介绍两种等价写法、关联与路径表达式优化、DISTINCT去重逻辑及WHERE/GROUP BY/HAVING/UNION等子句的应用。通过可运行的业务伙伴角色去重、关联路径查询及多角色筛选示例,演示如何将CDS特性转化为项目实践。强调关联复用性优于传统JOIN,并指出DISTINCT的权限边界与误用场景,帮助开发者从行式思维转向图式数据建模。(150字) 关键词: ABAP CDS、SELECT语法、路径表达式、DISTINCT去重、关联复用

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 392

【JZOJ3057】【NOIP2012模拟10.26】电影票【数论】

题目大意: 题目链接:https://jzoj.net/senior/#main/show/3057 有nnn个人买电影一的票,mmm个人买电影二的票。每次只有一个人买票,而且保证每时每刻电影一的票房都不小于电影二的票房。求买票顺序的方案数。 思路: 假设买电影一的票的人为aaa,买电影儿的票的人为bbb,那么买票顺序就构成了一个序列。例如aabbb,aababbbab,ababaaabbb,a...

stoorz 597

C#版OpenCV:OpenCVSharp 最详细最全面教程(万字详细总结)

OpenCVSharp 是一个用于 .NET 环境的 OpenCV 包装库,它提供了一种简便的方法来利用 OpenCV 的功能进行图像和视频处理。OpenCV(Open Source Computer Vision Library)是一个开源计算机视觉和机器学习软件库,最初由 Intel 研发并发布。OpenCVSharp 让 C# 和其他 .NET 语言的开发者可以方便地访问 OpenCV 的强大功能。// 打印 OpenCV 版本信息Cv2。

仰望星空的博客 2万+

笨笨的雕塑安置

笨笨的雕塑安置     Wcyz为了迎接百年校庆,美化校园,请了校友笨笨将n座雕塑,准备安置在校园内,整个校园可以抽象成一个nxn的大网格,每个lxl网格最多只能安置一座雕塑,但是某些lxl的网格上恰好是一个食堂或湖泊,这些网格是不能安置雕塑的,每个雕塑的造型相同,这样同一种安置方案中交换排列都算一种。任意雕塑在同一行或同一列是不合法的方案。     学校想知道有多少种安置方案

clover_hxy的博客 897

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

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")

JZOJ 3051. 单元格

数学

Luckfort 418

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

笨笨小媛的博客

在微博满天飞的时候,我却开通了博客,虽然慢了点,但是还是很有用的。欢迎光临。 转载于:https://www.cnblogs.com/fannywu/articles/2012636.html

weixin_30820151的博客 164

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

【校内互测】笨笨的雕塑安置(容斥原理)

【描述】 Wcyz为了迎接百年校庆,美化校园,请了校友笨笨将n座雕塑,准备安置在校园内,整个校园可以抽象成一个nxn的大网格,每个lxl网格最多只能安置一座雕塑,但是某些lxl的网格上恰好是一个食堂或湖泊,这些网格是不能安置雕塑的,每个雕塑的造型相同,这样同一种安置方案中交换排列都算一种。任意雕塑在同一行或同一列是不合法的方案。     学校想知道有多少种安置方案,笨笨想从中选择最好的一种方案

zyf2000 1787

September 10th 模拟赛C T3 雕塑 Solution

一个傻逼写的题解。

打工是不可能打工的,这辈子不可能打工的。 701

jzoj 5864. 【NOIP2018模拟9.11】很多序列 数论

Description Input Output Sample Input 2 4 7 Sample Output 17 Data Constraint 分析: n=2n=2n=2 就是noipD1T1,直接输出x∗y−x−yx∗y−x−yx*y-x-y。 考虑 n&gt;2n&gt;2n>2 怎么做,此时x1&lt;103x1&lt;103x_1k=x1k=...

liangzihao1的博客 412

父传子 笨笨的逻辑

父传子 子传父 转载于:https://www.cnblogs.com/benbenbai/p/10522399.html

weixin_30344995的博客 177

笨笨的冒泡排序

说到排序算法有很多种,我这里也不献丑了,其中最差的估计就是冒泡排序了,但是作为CPU测试程序已经够用: /* File Name : BubbleSort.c */ #include&lt;stdio.h&gt; #include&lt;stdlib.h&gt; #include&lt;time.h&gt; #define SIZE 100000 main() { in...

weixin_33725722的博客 138

C笔记 10.26

VC下EOF:F6+ENTERTC下EOF:ctrl+D终于可以结束while((c=getchar())!=EOF){}明天开始数组^^

CITY WALKER - a different life 920

【NOIP2012模拟10.26】火炬手

这题表示考场没想到。。。 可以直接dfs出所有01串的东东,它不可能超出long long范围 上标: #include&amp;amp;lt;cstdio&amp;amp;gt; #include&amp;amp;lt;cstdlib&amp;amp;gt; #include&amp;amp;lt;algorithm&amp;amp;gt; #define ll long long #define mx 233333333333333333

Larry1118的博客 224

【校内互测】笨笨当火炬手

【描述】 全运会就要开始了,笨笨想成为湖南地区的火炬手,经过层层选拔,最终到了最后一关,这一关给出了一个正整数n(N≤100000),求一个最小的正整数m,使得nxm的十进制表示形式中只含l和0。   【输入格式】   一行一个数n   【输出格式】   输出一行,如果有解,输出最小的m,否则 输出“no solution”。     Sample input     12

zyf2000 1281

高中OJ3059【NOIP2012模拟10.26】雕塑

(依然毫无PS痕迹) 这题刚看起来是很吊,并卵 后来问了某刘方法,正在理解中。。。 正解: 先用深搜计算出F数组,F[i]表示放i座雕塑时的方案数。 之后计算出1~n的阶乘,记为JC[i]。            /N!  (i≥1) JC[N] |            \1    (i 之后直接计算答案:  m  ∑F[i]*JC[n-i]*(0-

某司机的黑车 583
上一篇: 【洛谷P2742】【模板】二维凸包/[USACO5.1]圈奶牛【凸包】
下一篇: 【JZOJ3057】【NOIP2012模拟10.26】电影票【数论】
stoorz1023
博客等级 码龄9年 101粉丝 595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