uva 10277 - Boastin' Red Socks(概率)

部署运行你感兴趣的模型镜像

题目链接:uva 10277 - Boastin' Red Socks


题目大意:给出p和q,表示概率p/q,处理问题,有n双红袜子,m双白袜子,从中连续取两双袜子,两双袜子的颜色都是红色的概率为p/q。求n和m,不存在的话输出impossible。


解题思路:首先对p/q分式进行化简,然后枚举n + m的和(为q的倍数),判断条件,然后枚举n。


#include <stdio.h>
#include <string.h>
#include<math.h>

long long gcd(long long a, long long b) {
	return b == 0 ? a : gcd(b, a % b);
}

int main() {
	long long p, q;
	while (scanf("%lld%lld", &p, &q), p || q) {
		if (p == q)	printf("2 0\n");
		else if (p == 0) printf("0 2\n");
		else {
			long long g = gcd(p, q);
			p /= g, q /= g;
			long long i, j;
			for (i = 2; i <= 50000; i++) {
				if(i * (i - 1) % q == 0) {
					long long n = i * (i - 1) / q;
					long long m = n * p;
					j = (long long) sqrt(m + 0.5);
					if (j * (j + 1) == m && j + 1 >= 2)
						break;
				}
			}

			if (i <= 50000)
				printf("%lld %lld\n", j + 1, i - j - 1);
			else 
				printf("impossible\n");
		}
	}
	return 0;
}


您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

Stable-Diffusion-3.5

图片生成
Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型,相比 3.0 版本,它提升了图像质量、运行速度和硬件效率

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理与特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
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