牛客IOI周赛27-提高组 A(括号匹配加上小思维 C 位运算+多重背包

这篇博客探讨了两种算法问题:一是验证一个括号串是否合法及其是否为另一个串的子序列;二是解决多重背包问题,求解在不超过背包容量的情况下,物品选择的最大价值。通过C++代码展示了如何实现这两个算法,并提供了测试用例。

括号串
T串是S串的一种合法的补全方式满足下列条件:

  1. T本身串是匹配的
  2. S串是T串的子序列
#include<bits/stdc++.h>
using namespace std;
const int mod = 998244353;
const int maxn = 1e6 + 9;
char s[maxn], t[maxn], st[maxn];
int T, n, m;
bool check()
{
	int top = 0;
	for(int i = 0; i < m; ++i)
	{
		if(t[i] == '(' || t[i] == '[') st[++top] = t[i];
		else 
		{
			if(t[i] == ']' && top > 0 && st[top] == '[') top--;
			else if(t[i] == ')' && top > 0 && st[top] == '(') top--;
			else return 0;
		}
	}
	if(top) return 0;
	return 1;
}
int main()
{
	cin >> T;
	while(T--)
	{
		scanf("%d %d", &n, &m);
		scanf("%s",s); scanf("%s",t);
		if(!check()){
			puts("Wrong Answer");continue;
		}
		int i, j;
		for(j = 0, i = 0; i < m; ++i)
		{
			if(s[j] == t[i]) ++j;
			if(j == n){
				puts("Accepted"); break;
			}
		}
		if(j != n){
			puts("Wrong Answer");
		}
	}
	return 0;
}

马老师
在这里插入图片描述

#include <bits/stdc++.h>
using namespace std;
#define ll long long
const ll mod = 1e9 + 7;
ll dp[5000010];
ll sz[24] = {0,1,2,4,8,16,32,64,128,256,512,1024,2048,4096,8192,16384,32768,65536,131072,262144,524288,1048576,2097152,4194304}; 
ll n, m;
int main() {
    ios::sync_with_stdio(false);
    cin.tie(0);
    cout.tie(0);
    cin >> n >> m;
//多重背包有上限求方案数的模板
    dp[0] = 1;
    for (int i = 1 ; i <= 23 ; i++) {
        for (int j = sz[i] ; j <= m ; j++) {
            dp[j] = (dp[j] + dp[j - sz[i]]) % mod;
        }        
        for (int j = m ; j >= (n + 1) * sz[i] ; j--) {
             dp[j] = (dp[j] - dp[j - (n + 1) * sz[i]] + mod) % mod;
        } 
    }
    cout << dp[m] << "\n";
    return 0;
}
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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