GYM ~ 101775J ~ Straight Master(思维,差分数组)

本文探讨了一个算法挑战,即通过特定操作使序列元素全部归零的问题。通过对原始序列进行差分转换,利用3、4、5长度的区间减一操作,分析了如何判断序列是否能被完全消除。关键在于理解差分数组的概念及其应用,以及如何通过组合不同长度的操作区间来实现目标。

在这里插入图片描述

题意

T组测试数据,每次给你一个长度为N的序列,每次可以选择一个长度3,4,5的区间将这个区间内的数都减一,问能否经过若干次操作后使得数组全变为0?

思路

首先将数组进行差分获得差分数组diff(diff[i]=a[i]-a[i-1])。
diff[i]为+++就相当于以 i 为起点的区间有diff[i]个。diff[i]为−-就相当于以 i 为终点的区间有diff[i]个。
对于区间长度如何控制呢?可以发现使用3,4,5三个数字可以组成[3,∞)[3,\infty)[3),所以对于区间起点可以与>3的终点去任意组合。如果起点和终点能够完全对应上,那么就是YES,否则就是NO。
注意:差分数组开始应该有a[1]-0,最后应该有0-a[n]。还有就是如果差分数组中前两个为负数,那么就是NO。

#include <bits/stdc++.h>
using namespace std;
const int MAXN = 2e5 + 5;
int n, a[MAXN], diff[MAXN];
int main()
{
    int T, CASE = 1; scanf("%d", &T);
    while (T--)
    {
        scanf("%d", &n);
        for (int i = 1; i <= n; i++) scanf("%d", &a[i]);
        a[++n] = 0;
        for (int i = 1; i <= n; i++) diff[i] = a[i] - a[i - 1];
        long long sum = 0;
        for (int i = 1; i <= n; i++)
        {
            if (diff[i] > 0) sum += diff[i];
            if (i + 3 <= n && diff[i + 3] < 0) sum += diff[i + 3];
            if (sum < 0) break;
        }
        if (diff[1] < 0 || diff[2] < 0) sum = -1;
        printf("Case #%d: %s\n", CASE++, sum == 0 ? "Yes" : "No");
    }
    return 0;
}
/*
2
13
1 2 2 1 0 0 0 0 0 0 0 0 0
13
1 1 1 1 0 1 1 0 0 0 0 0 0
*/
### 关于 `panda-gym` 的下载地址与使用说明 #### 下载地址 `panda-gym` 是一个基于 Gym 库的强化学习环境集合,主要用于模拟机器人操作任务。可以通过以下方式获取其源码: 1. **GitHub 仓库**: 访问官方 GitHub 页面以克隆或下载项目代码: ```bash git clone https://github.com/AdrienLE/panda-gym.git ``` 2. **PyPI 安装**: 如果希望直接安装已发布的版本,可以使用 pip 工具: ```bash pip install panda-gym ``` --- #### 使用说明 以下是关于如何配置和运行 `panda-gym` 的基本指南。 ##### 环境依赖 确保已经安装了 Python 和必要的依赖项。推荐使用虚拟环境来管理依赖关系: ```bash python -m venv env source env/bin/activate # Linux/MacOS env\Scripts\activate # Windows pip install -r requirements.txt ``` ##### 运行示例代码 在成功安装后,可以从文档中的示例脚本入手测试环境功能。例如,加载一个简单的推动物体的任务: ```python import gym from panda_gym.envs import PandaPushEnv # 初始化环境 env = PandaPushEnv(render_mode="human") # 复位环境状态 observation, info = env.reset() for _ in range(100): # 执行固定步数的动作 action = env.action_space.sample() # 随机采样动作 observation, reward, terminated, truncated, info = env.step(action) if terminated or truncated: observation, info = env.reset() env.close() ``` 上述代码展示了如何初始化环境、执行随机动作以及渲染场景[^3]。 --- #### 注意事项 - **硬件需求**: 某些复杂仿真可能需要 GPU 支持以加速计算。 - **兼容性**: 确认所使用的操作系统支持该工具包,并满足最低版本要求。 - **调试模式**: 若遇到问题可尝试启用调试选项排查错误。 ---
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