B-嬲 NAMOMO OJ contest 3

本文探讨了一个涉及节点跳跃的复杂算法问题,通过优化代码逻辑实现高效求解。特别关注于如何避免代码陷阱,确保在不同跳跃条件下寻找最优路径。文章详细分析了算法思路,包括如何处理k=1和k=2的特殊情况,以及如何寻找最大团和最长链。通过具体的代码实现,展示了如何迭代更新跳跃范围,以达到最佳解决方案。

https://namomo.top:8081/contest/3/problem/B

k=1 , 单个点连跳,k=2,相邻反复横跳。剩下的就找最大团也就是可以循环跳的最大区间,长度大于等于2的就可以拓展,最大团>=k就也是随便跳。如果不能随便跳,就找最长的链输出长度。

比赛的时候在代码里下毒WA了,然后全队3个人赛后对着这份代码思考了一年,1点半找到错误了。。。每次跳跃时,i=r,而不能直接i=r+1,因为可能是i-1到i只能拓展距离为1,而i可以拓展到i+2

#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
 
const int maxl=3e5+10;
 
ll n,m,cas,k,cnt,tot,ans,mx;
ll b[maxl];
ll x;
ll a[maxl];
char s[maxl];
 
inline void prework()
{
	scanf("%lld%lld%lld",&n,&x,&k);
	for(int i=1;i<=n;i++)
		scanf("%lld",&a[i]),b[i]=0;
	b[0]=b[n+1]=0;
	ans=0;
	if(k==1)
	{
		ans=-1;
		return;
	}
	for(ll i=1;i<=n;i++)
	{
		b[i]=max(b[i-1],i);
		while(b[i]+1<=n && a[b[i]+1]-a[i]<=x)
			b[i]++;
		if(k==2 && b[i]>i)
		{
			ans=-1;
			return;
		}
	}
	mx=0;ll r;
	for(ll i=1;i<=n;)
	{
		r=i;
		for(ll j=i;j<=r;j++)
		if(b[j]-j>=2)
			r=max(r,b[j]);
		else
			break;
		mx=max(mx,r-i+1);
		if(i==r) i++;
		else i=r;
	}
	if(mx>=k)
		ans=-1;
} 
 
inline void mainwork()
{
	if(ans<0)
		return;
	ll l=1,r=1;ans=0;
	while(l<=n)
	{
		r=l;
		while(r+1<=n && b[r]>r)
			r++;
		ans=max(ans,r-l+1);
		l=r+1;
	}
}
 
inline void print()
{
	if(ans<0)
		puts("niao!");
	else
		printf("%lld\n",ans);
}
 
int main()
{
	int t=1;
	scanf("%d",&t);
	for(cas=1;cas<=t;cas++)
	{
		prework();
		mainwork();
		print();
	}
	return 0;
}

 

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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