一道比较阴间的级数题解答

阴间指令集MIPS简介:汇编,IO,过程调用与冒泡排序 目录前言MIPS指令集简介MIPS资源寄存器资源内存资源MIPS指令算数指令数据传输指令逻辑指令分支跳转指令MIPS模拟器编译并且运行简单求和程序MIPS模拟器中的汇编MIPS IO操作MIPS过程调用hello world程序冒泡排序 前言 计系3第一个实验就是MIPS指令集写汇编。。。在计系1和2的折磨 下,我们对汇编语言有了一定的认知,但是还是难顶 。考虑到之后还有大量的实验,姑且记录一下MIPS的一些特性,操作等等,方便后续查阅。 MIPS指令集简介 MIPS的分类,也要按照基本法 ,按照寄存器的位 阅读详情

今天晚上水课时候同学给发来一道十分阴间的题,
在这里插入图片描述
当然可能我这种菜鸡觉得阴间有些大佬觉得已经够简单了,但是我还是这么不要脸的发出来,也算水水活跃度

第一次写出来小错不断,这水博客时候又改了改,但是不免有错,所以如果有错请诸位大佬不吝赐教

这关键是里面那个乘积挺难处理的,下面处理一下

引理1

x2n+1−1=(x−1)(x−α1)(x−α2)....(x−αn−1)=(x−1)∏k=1n(x2−2xcos⁡2kπ2n+1+1) x^{2n+1}-1=(x-1)(x-\alpha_1)(x-\alpha_2)....(x-\alpha_{n-1})\\ =(x-1)\prod_{k=1}^{n}(x^2-2x\cos \frac{2k\pi}{2n+1}+1) x2n+1−1=(x−1)(x−α1​)(x−α2​)....(x−αn−1​)=(x−1)k=1∏n​(x2−2xcos2n+12kπ​+1)
这个比较好证明,把复数根全求出来而后首位配对

同理
x2n−1=(x−1)(x+1)∏k=1n−1(x2−2xcos⁡kπn) x^{2n}-1=(x-1)(x+1)\prod_{k=1}^{n-1}(x^2-2x\cos \frac{k\pi}{n}) x2n−1=(x−1)(x+1)k=1∏n−1​(x2−2xcosnkπ​)

引理2

cos⁡π2n+1cos⁡2π2n+1....cos⁡nπ2n+1=12n \cos\frac{\pi}{2n+1}\cos \frac{2\pi}{2n+1}....\cos \frac{n\pi}{2n+1}=\frac{1}{2^n} cos2n+1π​cos2n+12π​....cos2n+1nπ​=2n1​
引理1中带进去x=−1x=-1x=−1
−2=(−2)∏k=1n(2+2cos⁡2kπ2n+1)⇒1=∏k=1n(2+2cos⁡2kπ2n+1)⇒12n=∏k=1n(1+cos⁡2kπ2n+1)⇒∏k=1ncos⁡kπ2n+1=12n -2=(-2)\prod_{k=1}^{n}(2+2\cos \frac{2k\pi}{2n+1})\Rightarrow \\1=\prod_{k=1}^{n}(2+2\cos \frac{2k\pi}{2n+1})\Rightarrow\\ \frac{1}{2^n}=\prod_{k=1}^{n}(1+\cos \frac{2k\pi}{2n+1})\Rightarrow\\ \prod_{k=1}^{n}\cos \frac{k\pi}{2n+1}=\frac{1}{2^n} −2=(−2)k=1∏n​(2+2cos2n+12kπ​)⇒1=k=1∏n​(2+2cos2n+12kπ​)⇒2n1​=k=1∏n​(1+cos2n+12kπ​)⇒k=1∏n​cos2n+1kπ​=2n1​
下面开始变形
∏k=12ncos⁡kπ2n+1=∏k=1ncos⁡kπ2n+1∏k=n+12ncos⁡kπ2n+1 \prod_{k=1}^{2n}\cos \frac{k\pi}{2n+1}=\prod_{k=1}^{n}\cos \frac{k\pi}{2n+1}\prod_{k=n+1}^{2n}\cos \frac{k\pi}{2n+1} k=1∏2n​cos2n+1kπ​=k=1∏n​cos2n+1kπ​k=n+1∏2n​cos2n+1kπ​
其中
∏k=n+12ncos⁡kπ2n+1=∏k=n+12nsin⁡(π2−kπ2n+1)=sin⁡−π4n+2sin⁡−3π4n+2...sin⁡−(2n+1)π4n+2=(−1)n∏k=1nsin⁡(2k−1)π4n+2⋅sin⁡π2⋅(−1) \\\prod_{k=n+1}^{2n}\cos \frac{k\pi}{2n+1}=\prod_{k=n+1}^{2n}\sin (\frac{\pi}{2}-\frac{k\pi}{2n+1}) \\=\sin \frac{-\pi}{4n+2}\sin\frac{-3\pi}{4n+2}...\sin \frac{-(2n+1)\pi}{4n+2}\\=(-1)^n\prod_{k=1}^{n}\sin\frac{(2k-1)\pi}{4n+2}·\sin \frac{\pi}{2}·(-1) k=n+1∏2n​cos2n+1kπ​=k=n+1∏2n​sin(2π​−2n+1kπ​)=sin4n+2−π​sin4n+2−3π​...sin4n+2−(2n+1)π​=(−1)nk=1∏n​sin4n+2(2k−1)π​⋅sin2π​⋅(−1)
由引理1的做法
x2m+1=∏k=1n(x2−2xcos⁡(2k−1)π2n+1+1) x^{2m}+1=\prod_{k=1}^{n}(x^2-2x\cos\frac{(2k-1)\pi}{2n+1}+1) x2m+1=k=1∏n​(x2−2xcos2n+1(2k−1)π​+1)
带入x=1x=1x=1
2=∏k=1n(2−2cos⁡(2k−1)π2n+1)12n−1=∏k=1n(1−(1−2sin⁡2(2k−1)π4n+2)) 2=\prod_{k=1}^{n}(2-2\cos\frac{(2k-1)\pi}{2n+1})\\ \frac{1}{2^{n-1}}=\prod_{k=1}^{n}(1-(1-2\sin^2\frac{(2k-1)\pi}{4n+2})) 2=k=1∏n​(2−2cos2n+1(2k−1)π​)2n−11​=k=1∏n​(1−(1−2sin24n+2(2k−1)π​))

下面就好弄了

参考书:丘砖

地府后台管理系统.zip 地府后台管理系统。 立即下载

相关推荐

CSS3紫色发光按钮悬停特效特效代码

CSS3紫色发光按钮悬停特效是一款紫色线框按钮,带悬停发光遮罩动画特效。

自增运算,阴间代码《奇思妙想二》

突然翻到去年自学时的代码,想起当时这个问题困扰了一大堆已经从业几年的老哥们,问题为图片中注释的代码为什么没有作用。当时发出去的时候不少人管这叫阴间代码,属实没见过X+++px这种写法,回归问题,一开始都认为+++写法有问题,JS不识别写法,后面排除这种说法,又被困在offsetLeft只读属性,此时自增无用,但是此时并没有给属性赋值,只是让其进行自增运算,直到最后,一名老哥才指出,这不算代码题,算数学题。因为X++总在结束后赋值,而left与offsetLeft是相互获取的,即初始的offsetLeft..

weixin_56068539的博客 2万+

基于MOS的防反接电路

防反接电路一般用于电源入口处,在电源反接时,保证电源入口之后的电路不会受到损害。一般在电源电流较小、对1V左右的压降不敏感时可以使用二极管进行防反接。防反接的形式有直接在正极串联二极管(如图1),或使用整流桥的方式(如图2),但这两种方式均存在:1、存在二极管的管压降;2、过大电流时,二极管消耗的功率大,发热严重。这两个问题。 图 1 二极管防反接电路 图 2 整流管防反接电路 1、基于NMO...

qq_42682826的博客 2万+

指针详解(回调函数引入)

在初识指针后,开始了指针的进阶,在指针进阶的这部分,又接触了许多关于指针知识,指针真不愧是C语言的精髓所在 回调函数就是一个通过函数指针调用的函数。如果你把函数的指针(地址)作为参数传递给另一个函数,当这个指针被用来调用其所指向的函数时,我们就说这是回调函数。回调函数不是由该函数的实现方直接调用,而是在特定的事件或条件发生时由另外的一方调用的,用于对该事件或条件进行响应。

qq_62995672的博客 3721

ESP-IDF 5.4下esp32-camera组件编译报错?手把手教你解决头文件缺失问题

本文详细解析了ESP-IDF 5.4环境下esp32-camera组件编译时出现的头文件缺失问题,提供了从目录结构优化、CMake配置到VSCode智能感知设置的完整解决方案。针对第三方组件集成难题,文章特别强调了PRIV_REQUIRES依赖声明和路径配置的关键作用,帮助开发者高效解决编译错误并建立稳定的开发环境。

weixin_28829629的博客 309

Dify-前端本地运行-单点登录

本文介绍了如何在已部署Dify的系统中实现AI应用跳转及页面定制化改造。通过iframe跳转无法满足甲方需求后,作者对Dify前端源码进行了本地化二次开发,主要步骤包括:1) 按照官方文档搭建本地开发环境;2) 修改.env配置文件连接部署好的后端服务;3) 隐藏侧边栏和头部导航栏;4) 实现单点登录功能,通过URL参数获取用户邮箱自动登录。过程中解决了请求拦截导致的登录校验问题,最终达成仅保留对话框界面并同步用户信息的需求。该方案涉及Next.js框架和React技术的应用,为类似定制化需求提供了参

weixin_43163457的博客 3227

恐怖代码(禁止入内)

例如:1.2.3.4.5.6.7.8.9................................................................................................................

fertd的博客 1万+

Visual Studio 命令提示符工具区别与使用场景

Visual Studio会提供一系列命令提示符工具,这些工具应用在哪些场景呢?本文进行了相关介绍。

cicada15的博客 3494

C++:阴间代码论

【摘要】本文介绍了三个"阴间代码":1) 经典死循环"while(1)"会持续占用CPU;2) 使用system("startcmd")可生成命令提示符窗口;3) MessageBox函数能创建自定义弹窗。我警告:这些代码有些具有破坏性,并可通过system()调用系统功能和Windows.h头文件实现特殊效果

qq_43638366的博客 594

匈牙利算法解决指派问题清晰流程

匈牙利算法解决指派问题清晰流程 百度词条上,指派问题(Assignment problem)是这么定义的:在满足特定指派要求条件下,使指派方案总体效果最佳。如:有若干项工作需要分配给若干人(或部门)来完成;有若干项合同需要选择若干个投标者来承包:有若干班级需要安排在若干教室里上课等。   一、做减法(归约): 行归约:每行元素减去该行最小元素。 列归约:每行元素减去该行最小元素。

siss0siss的博客 6万+

From Manual to Magic: How nnU-Net is Revolutionizing Biomedical Image Segmentation Without Human Int

本文探讨了nnU-Net如何通过全自动深度学习技术革新生物医学图像分割领域。作为自我配置的智能系统,nnU-Net无需人工干预即可完成从数据预处理到模型训练的全流程,显著提升医学影像分割的效率和精度,尤其在CT和MRI影像分析中表现卓越。

metal的博客 1085

QQ一笔画阴间红包代码整理。

# 有 {"connects":[{"x1":350,"y1":170,"x2":350,"y2":200},{"x1":350,"y1":200,"x2":560,"y2":200},{"x1":560,"y1":200,"x2":170,"y2":230},{"x1":170,"y1":230,"x2":200,"y2":230},{"x1":200,"y1":230,"x2":230,"y2":230},{"x1":230,"y1":230,"x2":260,"y2":230},{"x1":260,

tian246319的博客 1万+

基于深度学习的涂胶缺陷类型检测:数据集处理与YOLOv8模型实现

本文提出了一种基于YOLOv8深度学习的涂胶缺陷检测系统,针对断胶、溢胶、缺胶、气泡及胶条宽度异常等常见缺陷类型,实现了从数据采集到模型部署的完整解决方案。系统采用工业相机采集涂胶图像,通过多形态数据增强策略解决样本稀缺问题,利用YOLOv8框架实现高效检测。相比传统人工目检和规则式机器视觉方法,该系统在检测精度(mAP达97.5%)和实时性(单图检测耗时0.038秒)方面表现优异,可满足智能制造场景下的涂胶质量检测需求。

huanghm88的专栏 275

Flutter 点击事件基础GestureDector,InkWell,Ink的使用

开发环境:Win 10 ,Android studio 3.4.0 目的:在使用过程中需要用到点击某一个Column,怎么实现? 一、在网上找到最多的是InkWell,Ink去实现的单个Widget的点击事件,这里我就不多说了,在网上找了几张截图丢这里了[图见文章最下方],本篇主要介绍怎么使用GestureDector去实现单个或一个Column的点击事件 二、GestureDector包裹widget实现widget的点击事件 代码1:Column点击事件 GestureDetector bu

风吹草低见牛羊 3742

Android Update Engine 分析(三四)OTA 签名都支持哪些算法?

写了几十篇还没涉及到 OTA 签名算法细节,OTA 讨论群也很少问这个,毕竟签名算法纯理论的问题,一旦实现好就极少需要改动,只需要进行一些配置,准备好签名的秘钥和证书就可以了。限于签名的算法理论太过于抽象,本篇不讨论签名算法细节,但会总结一些签名操作。以及 Android OTA 包支持的签名算法。本文主要分析 Update Engine 中支持的签名算法,以及这些算法的操作实现(不涉及原理部分),并总结签名和验签使用的 key。

洛奇看世界 716

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")

HashTeam web_阴间2048 writeup

HashTeam web_阴间2048 原题链接

Mitchell_Donovan的博客 1871

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

关于android button按键紫色

在values文件里修改themes.xml 将该句变成 <style name="Theme.Video" parent="Theme.MaterialComponents.DayNight.NoActionBar.Bridge">

bpaxxesx的博客 4903

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

今日份的阴间小游戏

今日份的阴间小游戏 猜数字(0-100)

weixin_52182312的博客 1066

2021牛客寒假算法基础集训营6 A.回文括号序列计数(阴间题)

题意: 解法: TMD,()不是回文啊,((才是回文, 所以合法括号序列一定不满足条件。 当n=0的时候输出1,其他情况输出0。 有够阴间的。

zzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzzz 472

阴间猜数字游戏

GitHub:https://github.com/Pollockovski/fuckingguessnumber #include <iostream> #include <stdlib.h> #include <time.h> #include <conio.h> #include <Windows.h> using namespace std; int randint(int x, int y) { srand(int(time(0))

Pollockovski的博客 3044

最长不下降子序列总结

P1020 [NOIP1999 普及组] 导弹拦截 洛谷原题 题目描述 某国为了防御敌国的导弹袭击,发展出一种导弹拦截系统。但是这种导弹拦截系统有一个缺陷:虽然它的第一发炮弹能够到达任意的高度,但是以后每一发炮弹都不能高于前一发的高度。某天,雷达捕捉到敌国的导弹来袭。由于该系统还在试用阶段,所以只有一套系统,因此有可能不能拦截所有的导弹。 输入导弹依次飞来的高度(雷达给出的高度数据是≤50000 \le 50000≤50000的正整数),计算这套系统最多能拦截多少导弹,如果要拦截所有导弹最少要配备多少套这种

mtcyjj的博客 391

6879. 【2020.11.21提高组模拟】T1 出了个大阴间题(repair)

【题目描述】 因为你是小 ω,所以你有一个奇妙的能力,能把两个二元组通过一定的代价合并成一个。 具体来说,你可以将 (a1, b1) 与 (a2, b2) 合并成 (a, b),满足以下条件: a =    max (a1 , a 2 ) a 1 = a 2 a1 + 1 a 1 = a 2 b = 2 max ( b1 , b 2) + 1 需要的花费刚好是 ka + b1 + b2。 现在你有 n 个二元组

zsjzliziyang的博客 573

几个有趣的算法题目

本文首发 http://svtter.cn 最接近的数字 题目 一个K位的数N $$ (K\leq2000,N\leq10^{20}) $$ 找出一个比N大且最接近的数,这个数的每位之和与N相同,用代码实现之。 例如:0050 所求书数字为0104;112 所求数为121; 算法分析 算法思想 直接暴力求这个数字是不可以的,数字的量级太大...

weixin_33730836的博客 2076

使用篇十 --- 模板代码创建

简述 为什么要有模板代码? 1、每个人的书写习惯不一样,如果用同一个模板,阅读会方便些 2、每次都一遍一遍无聊的定义公开变量,然后拖拽,活着代码find,着实很浪费时间 3、可以有一个标准的抬头等等 怎么做模板代码? 1、肯定是有一个底子文件 2、去拷贝并修改底子,最终生成新文件 3、来一些其他操作 IFramework的模板代码如何使用 首先打开上一篇提到的窗口 双击选中的条目,打开如下窗口 现在空空如也,没关系,我们开始做一个人 好,做好了,我们来做代码生成 第一步,想好那些

qq_37221502的博客 914

有趣的算法题目集锦

————来自于 https://mp.weixin.qq.com/s/aq7yEML5Kwt0vl-5uGTARw 1、 农夫需要把狼、羊、菜和自己运到河对岸去,只有农夫能够划船,而且船比较小,除农夫之外每次只能运一种东西,还有一个棘手问题,就是如果没有农夫看着,羊会偷吃菜,狼会吃羊。 请考虑一种方法,让农夫能够安全地安排这些东西和他自己过河。 2、 请你把10根放在篮子里的香蕉分给10只猴子,...

星尘逸风的博客 1万+
上一篇: 调整SumatraPDF暗黑模式
下一篇: 一个非常naive的分数阶微积分介绍
评论 2
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