洛谷P1371 NOI元丹题解

本文解析了一道关于寻找字符串中特定子序列的算法问题,介绍了如何通过计算不同字符组合来确定最多可能形成的子序列数量的方法。该算法适用于竞赛编程,并提供了一个C++实现示例。

题目描述

小A打算开始炼NOI元丹(什么鬼),据说吃了可以提高NOI时的成绩。

是这么练的。元丹有三种元核,'N','O','I'。现有很多个这样原核,按顺序排成一行。炼元丹时,从左往右分别挑出'N','O','I'三个原核吞下。

现在他关心,有几种服用方式……且慢!

他觉得服用方式太少,以至于不能成仙。所以他可以通过某个途径,得到'N','O','I'的三种原核中的任意一个,至于哪一种由他决定。然后他将获得这个原核的插入到这一排原核中的任意位置(包括最前最后)。

现在你要知道,新的元核序列中能有多少种'N','O','I'的取出方式。子串的字母并不要求连续。

输入输出格式

输入格式:

 

第一行,一个整数N,表示字符串的长度。

第二行,一行字符串,里面只有只有'N','O','I'三种字母。

 

输出格式:

 

表示出最多可以提炼出来的NOI元丹的方案种数。

 

输入输出样例

输入样例#1:
5
NOIOI
输出样例#1:
6

说明

样例解释

他可以获取一个N元核,加到最前面。

NNOIOI | NNOIOI | NNOIOI | NNOIOI | NNOIOI | NNOIOI
~ ~~   | ~ ~  ~ | ~   ~~ |  ~~~   |  ~~  ~ |  ~  ~~

30%的数据N<=200

50%的数据N<=2000

100%的数据3<=N<=100000

 

这题看起来就和USACO的一题相似,做起来也差不多,就是多了一步插入

对于每个O,前面N的个数*后面I的个数,即为使用此O能组成的NOI元丹的个数。

如果要插入N,那么这个N一定插在序列最前面,这样用到的次数最多。

同理,如果要插入I,那么这个I一定插在序列最后面,与上同理。

若果要插入O,则枚举每一个位置,使前面N的个数*后面I的个数最大即可

#include<iostream>
#include<cstdio>
using namespace std;
int l[200000],r[200000];
char a[200000];
long long int s1,s2,s3,st,ans;
int main()
{
    ios::sync_with_stdio(false);
    int i,j,k,n; 
    cin >> n;
    for (i=1; i <= n; i++)
        cin >> a[i];
    for (i=1; i <= n; i++)
        if (a[i]=='N')
            l[i]=l[i-1]+1;
        else
            l[i]=l[i-1];
    for (i=n; i >= 1; i--)
        if (a[i]=='I')
            r[i]=r[i+1]+1;
        else
            r[i]=r[i+1];
    for (i=1; i <= n; i++)
    {
        if (a[i]=='O')
        {
            s1+=(l[i-1]+1)*r[i+1];
            s2+=l[i-1]*(r[i+1]+1);
            s3+=l[i-1]*r[i+1];
        }
    }
    for (i=2; i <= n; i++)
        if (l[i-1]*r[i]>st)
            st=l[i-1]*r[i];
    s3+=st;
    ans=max(s1,max(s2,s3));
    cout << ans << endl;
    return 0;
}

  

转载于:https://www.cnblogs.com/TMCK/p/6726151.html

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
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  | 博主筛选后可见
 
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