UESTC 1639 云中谁寄锦书来?雁字回时,月满西楼

高校技术转移办公室人员在推进成果转化时,如何快速识别高质量专利?.docx 高校技术转移办公室人员在推进成果转化时,如何快速识别高质量专利? 立即下载

题目链接:http://acm.uestc.edu.cn/#/problem/show/1639

题意:
在n个点m条边的无向图上,有k个出口
从起点出发,每到一个点(包括起点),该点连出的边中有d条会被封锁
求最坏情况下到达出口的最短路
数据范围:
1<=n<=100000
1<=m<=1000000

题解:

Dijkstra拓展
由于求最坏情况下的最短路,对于每个点,显然最优的前d条边不能走。
对于边u->v,必然要先得到v到出口的最坏情况下的最短路才能得到u经过该边再到出口的最坏情况下的最短路,

也就是该边对于u的价值,所以要从出口往回考虑。
令f[i]表示i到出口的最坏情况下的最短路,同dijkstra算法一样,每个点i可以分为f[i]已确定的和f[i]未确定的
初始时自然是对于每个出口x,f[x]=0已确定。
对于f[v]已确定的点v,将边权为w的边u->v以f[v]+w为关键字加入小根堆中。
对于每个点i还要记录cnt[i]=k,表示到i后,i连出的最优的前k条边已被封锁。
每次取出堆顶对应的边u->v(若f[u]已确定直接弹出)则该边为u连出的(除已被封锁的边外)最优的边
若cnt[u]

//UESTC 1639

#include <bits/stdc++.h>
using namespace std;
const int maxn = 1e5+7;
const int maxm = 1e6+7;
const int inf = 0x3f3f3f3f;
vector <pair<int,int> > G[maxn];
int dis[maxn], vis[maxn], cnt[maxn];
priority_queue <pair<int,int>, vector<pair<int, int> > , greater<pair<int, int> > >pq;
int u, v, w, k, d, n, m, len;
void Dij()
{
    memset(vis, 0, sizeof(vis));
    while(!pq.empty()){
        u = pq.top().second;
        w = pq.top().first;
        pq.pop();
        if(vis[u]) continue;
        if(cnt[u] == d){
            dis[u] = w;
            vis[u] = 1;
        }
        else{
            cnt[u]++;
            continue;
        }
        for(int i = 0; i < (int)G[u].size(); i++){
            v = G[u][i].second;
            len = G[u][i].first;
            if(dis[v] > len + w){
                pq.push(make_pair(len+w, v));
            }
        }
    }
}
int main()
{
    while(~scanf("%d %d %d %d", &n,&m,&k,&d))
    {
        while(!pq.empty()) pq.pop();
        for(int i=0; i<=n; i++) dis[i]=inf;
        memset(cnt, 0, sizeof(cnt));
        for(int i=0; i<maxn; i++) G[i].clear();
        for(int i=1; i<=m; i++){
            scanf("%d %d %d", &u,&v,&w);
            G[u].push_back(make_pair(w, v));
            G[v].push_back(make_pair(w, u));
        }
        while(k--){
            scanf("%d", &u);
            cnt[u] = d;
            dis[u] = 0;
            pq.push(make_pair(0, u));
        }
        Dij();
        if(dis[0]==inf) dis[0]=-1;
        printf("%d\n", dis[0]);
    }
    return 0;
}
交错并联图腾柱PFC变换器仿真设计(Simulink仿真实现) 内容概要:本文档围绕“交错并联图腾柱PFC变换器”的Simulink仿真实现展开,系统阐述了该高效率功率因数校正(PFC)拓扑的建模、控制策略设计与仿真验证全过程。作为适用于中大功率场合的先进PFC结构,交错并联图腾柱通过降低输入电流纹波、提高功率密度和系统效率,展现出显著优势。文档详细介绍了系统总体架构、主电路参数设计、双闭环控制策略(包括电压外环与电流内环)、PWM调制技术、软启动机制以及仿真结果分析等内容,帮助读者掌握从理论分析到仿真实践的完整开发流程。同时,文档还引入与其他主流变换器拓扑(如LLC、DAB、Vienna整流器等)的对比分析与协同应用场景探讨,体现了其在现代电力电子系统集成化发展中的重要地位。; 适合人群:具备电力电子技术基础知识、熟悉Simulink/Matlab仿真环境,从事电源系统设计、新能源变换器研发等相关工作的研究生、工程师及科研人员(建议具有1年以上相关实践经验)。; 使用场景及目标:① 深入理解交错并联图腾柱PFC变换器的工作原理与高性能控制方法;② 掌握基于Simulink的PFC系统建模与闭环控制器设计流程;③ 通过仿真数据分析系统动态响应与稳态性能,优化控制参数;④ 为后续硬件原型开发提供可靠的理论依据与前期验证手段。; 阅读建议:建议结合文档配套的Simulink仿真模型进行逐步操作,重点聚焦于双闭环控制结构设计与PI参数整定环节,深入理解各模块间的耦合关系。同时,可参考文中提及的Vienna、LLC等其他典型拓扑,开展横向对比研究,全面把握不同类型PFC架构的技术特点与适用边界。对于初学者,建议先夯实Buck/Boost电路基础与PWM控制原理,再进入本主题的深入学习。 立即下载

相关推荐

Spine动画在Unity里卡顿、闪烁、排序错乱?这些性能优化与渲染问题一次讲清

本文深入解析了Spine动画在Unity中常见的卡顿、闪烁和排序错乱问题,提供了全面的性能优化与渲染解决方案。从性能瓶颈诊断到材质合并、动态合批优化,再到层级错乱与Alpha闪烁的处理,帮助开发者提升动画表现和运行效率。特别针对Unity和Spine的协同工作进行了详细的技术探讨。

weixin_29967445的博客 381

CDOJ 1639 Fruit Ninja

题目链接:http://acm.uestc.edu.cn/problem.php?pid=1639 TAG:数学 题目大意:一个数【1-10000】如果是5的倍数,要+M,如果每一位都相同 要+N,同时满足同时加。加完还满足就继续加,求最后得到的数的最大值,最大值无限输出INF 【1 首先,如果M不是5的倍数,可以枚举最开始的数,每个数最多+2次就停了。 然后如果

ttl_135678942570的专栏 8594

【蓝牙专题】HCI协议解析

一、概念: 很多人接触蓝牙,是从HCI开始,因为HCI是主机控制接口协议(Host Controller Interface),蓝牙命令通过HCI来发送到Controller; 1、架构 如下图,HCI通过物理接口(USB、UART等)或虚拟接口,传递数据到Controller,Controller也通过同样的接口发送接收数据,这里注意到HCI层是在L2CAP层之下,LMP层之上; HCI

蚂蚁的专栏 5069

CDOJ 1307 ABCDE dp, 前缀和优化

题目链接:http://acm.uestc.edu.cn/#/problem/show/1307 题意: 在数电中,有一种码,类似BCD码这种玩意儿第i位如果为1的话,那么ans+=a[i],a[i]是这一位的位权然后现在给你一个n,问你一共有多少种码可以表示1~n的所有数呢?1,1,2和2,1,1视作一样。题外话:去年有幸来到电子科技大学打了第一次ACM较为正规的比赛,现场第一次打了二等奖,但

I good vegetable a! 1260

LM Studio 模型加载与转换实战指南:从GGUF格式到本地部署

本文提供了使用LM Studio加载与转换GGUF格式大语言模型的完整实战指南。详细阐述了为何GGUF格式是本地部署的最佳选择,并逐步指导用户如何将非GGUF模型(如Transformers格式)转换为GGUF格式,以及在LM Studio中进行加载、配置GPU卸载等关键优化,最终实现流畅的本地离线对话体验。

weixin_29061425的博客 921

Vek385评估板(二):板子联网 & memtester安装(LPDDR5X测试)

继上一篇文章:Vek385评估板(一):EDF成功烧录启动及一些问题。 本章完成最主要的两个功能:开发板联网+内存 memtester。因为我是做测试行业的,所以这两个是最想试的。内存测试,除了FPGA测,也可以系统级测,本次在versal上实现这个功能,主要是可以应急。在没有安卓、X86的情况下,可以使用本方案测试。 下一篇会继续做一些其他功能。

千歌叹尽执夏的博客 223

UESTC数据结构专题训练 G,H,I,J

G,http://acm.uestc.edu.cn/#/problem/show/1598 题意:给你一个n个元素的序列,支持以下操作:单点修改,查询区间内连续的最大子段和。 解法:线段树每个结点维护四个域:maxv,maxl,maxr,sumv,其中sumv为该区间的和,maxv为该区间上的最大子段和,maxl为必须包含左端点的最大子段和,maxr为必须包含右端点的最大子段和。之后我们用

I good vegetable a! 1170

VTK API 详解(134):vtkOBJWriter - 写入 OBJ 模型

是 VTK 中用于将数据写入 Wavefront OBJ 文件格式的类。OBJ 格式是广泛支持的 3D 网格模型格式,支持顶点、面和基本几何信息的保存,便于模型在多种三维软件间交换。

yumeiguo的博客 140

CDOJ 1330 柱爷与远古法阵 概率DP,高斯消元,卡精度,极度恶心

众所周知,柱爷的数学非常好,尤其擅长概率论!某日柱爷在喵蛤蛤村散步,无意间踏入了远古法阵!法阵很奇怪,是一个长度为N的走廊,初始时柱爷在最左边,现在柱爷要到最右边去!柱爷的行动方式如下:每个回合柱爷会投一次骰子,根据骰子上的点数 X,柱爷会相应的往右边移动X步.骰子的数值是 1到6,取到每面的概率相同在某些位置可能有传送门,一旦柱爷在该回合结束后在这个位置上,会被强制传送到传送门的另外一边传送门是

I good vegetable a! 1076

在 IW31 录入班次与当班负责人,并让 IW38 列表同步显示:基于 IWO10018 + IWOC0004 的一套可落地增强方案

摘要 本文详细介绍了在SAP PM模块中实现工厂设备维护订单增强的完整方案,重点解决两个核心需求:在订单创建时新增班次负责人和班次字段,并在订单列表中直接显示这些信息。文章从需求分析、技术设计到具体实现步骤进行了系统阐述。 关键实现步骤包括: 通过CI_AUFK结构扩展AUFK表,确保字段持久化存储 使用IWO10018增强在IW31/IW32/IW33事务中添加输入界面 通过IWOC0004增强在IW38订单列表中显示新增字段 采用优化的数据填充策略提升性能 该方案不仅满足业务需求,还考虑了用户体验和系统

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 176

AI快速变现之路,AI视频创作

初期投入$3000(工具订阅+样片制作),重点攻克跨境电商和本地生活服务市场。关注2025年AIGC视频工具的API降价趋势(如Pika企业版折扣可达50%),建议与云服务商签订长期合作协议。

qq_29896351的博客 1982

CDOJ 1292 卿学姐种花(暴力,分块,线段树)

众所周知,在喵哈哈村,有一个温柔善良的卿学姐。 卿学姐喜欢和她一样美丽的花。所以卿学姐家的后院有很多的花坛。 卿学姐有n 个花坛,一开始第i个花坛里有A[i] 朵花。每过一段时间,卿学姐都会在花坛里种上新的花。 作为一个聪明的学姐,卿学姐的种花方式也是与众不同 , 每一次,卿学姐会在第x 个花坛种上y朵花,然后在第x+1个花坛上种上y−1朵花,再在第x+2个花坛上种上y−2 朵花..

I good vegetable a! 980

时间序列预测 | Python实现LSTM时间序列数据预测

目录LSTM神经网络LSTM原理LSTM数据下载LSTM程序设计导入Python包时序数据处理LSTM模块定义模型训练模型评估参数设定运行结果参考资料致谢 LSTM神经网络 长短期记忆网络——通常简称为“LSTM”——是一种特殊的 RNN,能够学习长期依赖关系。它们由Hochreiter & Schmidhuber (1997)引入,并在后续工作中被许多人提炼和推广。1它们在处理各种各样的问题时效果非常好,现在被广泛使用。LSTM 被明确设计为避免长期依赖问题。长时间记住信息实际上是他们的默认行为

前程算法屋的博客 3912

UESTC 1610 黑红梅方

题目链接:http://acm.uestc.edu.cn/#/problem/show/1610 解法: 卿式扑克序列? 出现一组有连续4张牌均不同的序列 不好计算,怎么办? 可以计算出没有一组连续4张牌均不同的情况,用总情况减去没有一组连续4张牌均不同的情况 我们来看 三张牌排成一排有哪些情况? 三张牌均相同 AAA

I good vegetable a! 939

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")

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

UESTC 数据结构专题训练 A,B,C

A:题目链接 http://acm.uestc.edu.cn/#/problem/show/1591解法:RMQ或者线段树 【num of wa】 0#include <bits/stdc++.h> using namespace std; int n, q, mx[50010][20],mi[50010][20],a[50010]; void RMQ(){ for(int i=1; i<

I good vegetable a! 933

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

UESTC 1647 酌贪泉而觉爽, 处涸辙以犹欢。

题目链接:http://acm.uestc.edu.cn/#/problem/show/1647题意:给你一个全为0的01串,问你能否通过一系列的变换,得到全为1的01串。解法:将每个01串看作一个点,每一个变换可以看作是一条有向边,现在问题可以转化 为找从“00..0”这个点到“11..1”这个点的最短路,那么可以使用Dijkstra来解决这个问题。 对于每个CFT,建一条有向边,从si指向t

I good vegetable a! 886

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

UESTC 1638 红藕香残玉簟秋,轻解罗裳,独上兰舟。

题目链接:http://acm.uestc.edu.cn/#/problem/show/1638题意: 给定n个点(点权未知)和m条信息:u的权值>=v的权值+w 求点权的极小解和极大解(无解则输出-1)极小解即每个点的点权可能的最小值 极大解即每个点的点权可能的最大值数据范围: 1<=n<=100000 1<=m<=1000000 0<=w<=100 点权为0到100之间的整数题解:

I good vegetable a! 849

UESTC 1652 都市大飙车

题目链接:http://acm.uestc.edu.cn/#/problem/show/1652 解法:多段图问题,用滚动数组,转移很好想。 概率DP 算法复杂度:O(N*M*log N) 用kk[i]记录第i个障碍物的位置 pos=(b-1)*m+a; kk[i]=pos; dp1[j]记录当前所有车道安全的概率 dp2[j]记录下一步所有车道安全的概率 初始化:memset(d

I good vegetable a! 809

UESTC 1065 全都是秋实大哥 kmp

题目链接:http://acm.uestc.edu.cn/#/problem/show/1065题意: 中文题目解法:理解KMP里面的next之后,就是水题了。//UESTC 1065#include <bits/stdc++.h> using namespace std;const int maxn = 3e6+10; char s[maxn]; int fail[maxn];int main()

I good vegetable a! 764

UESTC 1006 最长上升子序列

题目链接:http://acm.uestc.edu.cn/#/problem/show/1006 算法复杂度:O(N^2) dp[i]表示以第i个元素开头的最长上升子序列长度 for(i=1;i<=n;i++) dp[i]=1; for(i=n;i>=1;i–) { for(j=n;j>i;j–) if (a[j]

I good vegetable a! 758

UESTC 1607 大学生足球联赛

题目链接:http://acm.uestc.edu.cn/#/problem/show/1607 解法: 构造法:蛇形安排赛程表 算法复杂度:O(N^2) 将1-N排成两竖列,每一轮同一行的为对手 保持1的位置不变,其他位置按顺(逆)时方向依次旋转 1 6 1 2 1 3 1 4 1 5

I good vegetable a! 756

UESTC 数据结构专题训练 D,E,F

D,http://acm.uestc.edu.cn/#/problem/show/1584 题意:平面上n个点,询问每个点左下方的点有多少个? 解法:排序(以Y坐标为第一关键字,X坐标为第二关键字)+树状数组 #include using namespace std; const int maxn=100010; int n,rnk[maxn],c[maxn]; str

I good vegetable a! 743

CDOJ 1294 天行廖的游戏 dp 容斥

题目链接:http://acm.uestc.edu.cn/#/problem/show/1294 天行健,君子以自强不息。地势坤,廖爷以厚德载物一日在喵哈哈村,天行廖和沈宝宝正在玩一个游戏。天行廖分别在N个纸片上写上一个数字,并放到一个盒子中。现在沈宝宝要从盒子中抓出任意张纸片。如果沈宝宝抓出的纸片上的数字Ai1 ,Ai2,….Aik满足Ai1 & Ai2 & ….Aik=0 ( i1//CDO

I good vegetable a! 731
上一篇: UESTC 1638 红藕香残玉簟秋,轻解罗裳,独上兰舟。
下一篇: UESTC 1641 此情无计可消除,才下眉头,却上心头。
just_sort
博客等级 码龄11年 2357粉丝 1667原创
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
 
 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