HDU 2089 不要62

本文介绍了一个基于数位动态规划(数位DP)的算法,用于解决杭州交通管理局车牌号码分配问题,避免含有不吉利数字4或62的号码。通过预处理和数位DP方法,算法能够高效计算在指定范围内,符合要求的车牌号码数量。

http://acm.hdu.edu.cn/showproblem.php?pid=2089

Problem Description

杭州人称那些傻乎乎粘嗒嗒的人为62(音:laoer)。
杭州交通管理局经常会扩充一些的士车牌照,新近出来一个好消息,以后上牌照,不再含有不吉利的数字了,这样一来,就可以消除个别的士司机和乘客的心理障碍,更安全地服务大众。
不吉利的数字为所有含有4或62的号码。例如:
62315 73418 88914
都属于不吉利号码。但是,61152虽然含有6和2,但不是62连号,所以不属于不吉利数字之列。
你的任务是,对于每次给出的一个牌照区间号,推断出交管局今次又要实际上给多少辆新的士车上牌照了。

Input

输入的都是整数对n、m(0<n≤m<1000000),如果遇到都是0的整数对,则输入结束。

Output

对于每个整数对,输出一个不含有不吉利数字的统计个数,该数值占一行位置。

Sample Input

1 100 0 0

Sample Output

80

 

最最基础的数位dp(但菜鸡还错了一遍,没有考虑最高位不能为4)

#include<cstdio>
using namespace std;

const int N=20;
int n,m;

struct A
{
	int f[N][N],a[N];
	inline void pre()
	{
		for(int i=0;i<=9;i++) 
			if(i!=4) f[1][i]=1;
		for(int i=2;i<=10;i++)
			for(int j=0;j<=9;j++)
				if(j!=4)
					for(int k=0;k<=9;k++)
						if(k!=4&&(k!=2||k==2&&j!=6)) f[i][j]+=f[i-1][k];
	}
	
	inline int sum(int x)
	{
		int len=0,ret=0;
		while(x) a[++len]=x%10,x/=10;
		for(int i=1;i<len;i++)
			for(int j=1;j<=9;j++) ret+=f[i][j];
		//printf("%d\n",ret);
		for(int i=1;i<a[len];i++) ret+=f[len][i];
		//printf("%d\n",ret);
		if(a[len]!=4) //之前忘加了
		{
			for(int i=len-1;i;i--)
			{
				for(int j=0;j<a[i];j++) 
					if(j!=4&&(a[i+1]!=6||a[i+1]==6&&j!=2)) ret+=f[i][j];
				if(a[i+1]==6&&a[i]==2||a[i]==4) break;
			}
		}
		return ret;
	}
}DP;
int main()
{
	DP.pre();
	while(scanf("%d%d",&n,&m),n!=0&&m!=0)
		printf("%d\n",DP.sum(m+1)-DP.sum(n));
	return 0;
}

 

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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