Test(5)

博客包含三道算法题。一是棋盘放炮问题,求在N行M列棋盘放炮且互不攻击的方案数;二是奶牛拍照问题,要为连续区间奶牛拍照,使各品种奶牛数量公平,求最大照片尺寸;三是染色问题,求将若干位置染成目标状态所需最少天数。

T1:互不攻击的炮
(canon.cpp/in/out 1s 128M)
在一个 N 行 M 列的棋盘上,让你放若干个炮(可以是 0 个),使得没有一个炮可以攻击到
另一个炮,请问有多少种放置方法。大家肯定很清楚,在中国象棋中炮的行走方式是:一个
炮攻击到另一个炮,当且仅当它们在同一行或同一列中,且它们之间恰好有一个棋子。你也
来和小可可一起锻炼一下思维吧!
输入
一行包含两个整数 N,M,之间由一个空格隔开。 N 和 M 均不超过 6
输出
总共的方案数,由于该值可能很大,只需给出方案数模 9999973 的结果。
样例
输入
1 3
输出
7
提示
除了 3 个格子里都塞满了炮以外,其它方案都是可行的,所以一共有 222-1=7 种方案。
T2:Photography
(photo.cpp/in/out 1s 256M)
农夫 John(以后简称“FJ”)的 N 头奶牛站在一个一维长篱笆上的不同位置 (1 <= N <=
100,000)。第 i 头奶牛站在位置 x_i (一个处于范围 0…1,000,000,000 的整数),其品种为 b_i
(要么为‘G’,表示根西种 Guernsey,要么为‘H’,表示霍斯坦种 Holstein)。每头奶牛的位置
各不相同。FJ 想要为一段连续区间内的奶牛拍张照片,用来参加郡里的展览会,但是他想让
照片里各个品种奶牛的数量是“公平的”。所以,他想要使得无论照片里出现了多少个品种的
奶牛,这些品种奶牛的数量必须相同(例如,一张照片里可以全是霍斯坦种奶牛,也可以出
现 27 头根西种奶牛和 27 头霍斯坦种奶牛,但不能出现 10 头霍斯坦种奶牛和 9 头根西种奶
牛,这种情况下各个品种数量不同)。帮助 FJ 拍一张满足其要求的最大尺寸照片。一张照片
的尺寸为照片中最左边的奶牛和最右边的奶牛的位置差。可能 FJ 拍出的照片里只有一头奶
牛,此时照片的尺寸为 0。
输入
第 1 行:整数 N。
第 2…1+N 行:第 i+1 行包含 x_i 和 b_i。
输出
第 1 行:一个整数,表示一张“公平的”照片的最大尺寸。
样例输入
6
4 G
10 H
7 G
16 G
1 G
3 H
【输入说明】
有 6 头奶牛(从左到右)品种分别为 G, H, G, G, H, G。
样例输出
7
【输出说明】
FJ 可以拍出的最大尺寸“公平的”照片是出现中间 4 头奶牛的照片,包括了 2 头霍斯坦种奶牛
和 2 头根西种奶牛。
T3:染色
(color.cpp/in/out 1s 256M)
给你一个若干个位置,每个位置 color 为空,标记为 0.
每天你可以选择一些不相交区间的,选好一个区间后用一种 color 染上去。再选择一个区间
用另一种 color 染上。注意每次 color 只能用一次。染完过了一天后 color 就固定下来了。
问要染多少天,形成目标状态
输入
第一行给出数字 N,代表位置个数,1≤N≤100000 接下来 N 行,每行一个数字代表目标状
态时这个位置上的 color.
输出
最少要染多少次,无解输出-1
样例
输入
7
0
1
4
5
1
3
3
输出
2
提示
//第一天选择[2,5]染上 1,[6,7]染上 3,第二天[3,3]染上 4,[4,4]染上 5

【语音分离】基于平均谐波结构建模的无监督单声道音乐声源分离(Matlab代码实现)内容概要:本文介绍了基于平均谐波结构建模的无监督单声道音乐声源分离方法,并提供了相应的Matlab代码实现。该方法通过对音乐信号中的谐波结构进建模,利用音源间的频率特征差异,实现对混合音频中不同乐器或人声成分的有效分离。整个过程无需标注数据,属于无监督学习范畴,适用于单通道录音场景下的语音与音乐分离任务。文中强调了算法的可复现性,并附带完整的仿真资源链接,便于读者学习与验证。; 适合人群:具备一定信号处理基础和Matlab编程能力的高校学生、科研人员及从事音频处理、语音识别等相关领域的工程师;尤其适合希望深入理解声源分离原理并进算法仿真实践的研究者。; 使用场景及目标:①用于音乐音频中人声与伴奏的分离,或不同乐器之间的分离;②支持无监督条件下的语音处理研究,推动盲源分离技术的发展;③作为学术论文复现、课程项目开发或科研原型验证的技术参考。; 阅读建议:建议读者结合提供的Matlab代码与网盘资料同步运调试,重点关注谐波建模与频谱分解的实现细节,同时可扩展学习盲源分离中的其他方法如独立成分分析(ICA)或非负矩阵分解(NMF),以加深对音频信号分离机制的理解。
内容概要:本文系统介绍了新能源汽车领域智能底盘技术的发展背景、演进历程、核心技术架构及创新形态。文章指出智能底盘作为智能汽车的核心执层,通过线控化(X-By-Wire)和域控化实现驱动、制动、转向、悬架的精准主动控制,支撑高阶智能驾驶落地。技术发展历经机械、机电混合到智能三个阶段,当前以线控转向、线控制动、域控制器等为核心,并辅以传感器、车规级芯片、功能安全等配套技术。文中还重点探讨了“智能滑板底盘”这一创新形态,强调其高度集成化、模块化优势及其在成本、灵活性、空间利用等方面的潜力。最后通过“2025智能底盘先锋计划”的实车测试案例,展示了智能底盘在真实场景中的安全与性能表现,推动技术从研发走向市场验证。; 适合人群:汽车电子工程师、智能汽车研发人员、新能源汽车领域技术人员及对智能底盘技术感兴趣的从业者;具备一定汽车工程或控制系统基础知识的专业人士。; 使用场景及目标:①深入了解智能底盘的技术演进路径与系统架构;②掌握线控技术、域控制器、滑板底盘等关键技术原理与应用场景;③为智能汽车底盘研发、系统集成与技术创新提供理论支持与实践参考。; 阅读建议:建议结合实际车型和技术标准进延伸学习,关注政策导向与业测试动态,注重理论与实车验证相结合,全面理解智能底盘从技术构想到商业化落地的全过程。
【顶级EI复现】计及连锁故障传播路径的电力系统 N-k 多阶段双层优化及故障场景筛选模型(Matlab代码实现)内容概要:本文介绍了名为《【顶级EI复现】计及连锁故障传播路径的电力系统 N-k 多阶段双层优化及故障场景筛选模型(Matlab代码实现)》的技术资源,重点围绕电力系统中连锁故障的传播路径展开研究,提出了一种N-k多阶段双层优化模型,并结合故障场景筛选方法,用于提升电力系统在复杂故障条件下的安全性与鲁棒性。该模型通过Matlab代码实现,具备较强的工程应用价值和学术参考意义,适用于电力系统风险评估、脆弱性分析及预防控制策略设计等场景。文中还列举了大量相关的科研技术支持方向,涵盖智能优化算法、机器学习、路径规划、信号处理、电力系统管理等多个领域,展示了广泛的仿真与复现能力。; 适合人群:具备电力系统、自动化、电气工程等相关背景,熟悉Matlab编程,有一定科研基础的研究生、高校教师及工程技术人员。; 使用场景及目标:①用于电力系统连锁故障建模与风险评估研究;②支撑高水平论文(如EI/SCI)的模型复现与算法验证;③为电网安全分析、故障传播防控提供优化决策工具;④结合YALMIP等工具进数学规划求解,提升科研效率。; 阅读建议:建议读者结合提供的网盘资源,下载完整代码与案例进实践操作,重点关注双层优化结构与场景筛选逻辑的设计思路,同时可参考文档中提及的其他复现案例拓展研究视野。
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