CF D. Number Of Permutations 排列

本文深入探讨了一种使用C++实现的全排列算法,通过具体代码示例展示了如何高效地进行元素的全排列计算,并考虑了特定条件下的排列组合问题。文章详细解释了算法的实现思路,包括排序、循环和条件判断等关键步骤,为读者提供了理解和应用全排列算法的全面指南。

挺水的一道题~

拿全排列随便乘一下就好了. 

#include <cstdio>
#include <algorithm>
#define N 300004 
#define ll long long 
#define mod 998244353 
#define setIO(s) freopen(s".in","r",stdin) 
using namespace std; 
struct Node { 
    int a,b; 
}t[N]; 
ll fac[N];     
bool cmp1(Node a,Node b) {
    return a.a==b.a?a.b<b.b:a.a<b.a; 
}
bool cmp2(Node a,Node b) {
    return a.b==b.b?a.a<b.a:a.b<b.b; 
}
int main() {
    int i,j,n; 
    ll tot1=1,tot2=1,tot3=1; 
    // setIO("input");     
    fac[0]=1;  
    for(i=1;i<N;++i) fac[i]=1ll*fac[i-1]*i%mod; 
    scanf("%d",&n);   
    for(i=1;i<=n;++i) scanf("%d%d",&t[i].a,&t[i].b); 
    sort(t+1,t+1+n,cmp1); 
    for(i=1;i<=n;i=j) {
        for(j=i;j<=n&&t[j].a==t[i].a;++j);   
        tot1=tot1*fac[j-i]%mod;     
    }
    sort(t+1,t+1+n,cmp2); 
    for(i=1;i<=n;i=j) {
        for(j=i;j<=n&&t[j].b==t[i].b;++j); 
        tot2=tot2*fac[j-i]%mod;  
    } 
    int flag=0; 
    for(i=2;i<=n;++i) if(t[i].a<t[i-1].a) flag=1; 
    if(flag) printf("%I64d\n",(fac[n]-(tot1+tot2)%mod+mod)%mod); 
    else {
        for(i=1;i<=n;i=j) {
            for(j=i;j<=n&&t[j].a==t[i].a&&t[j].b==t[i].b;++j);   
            tot3=tot3*fac[j-i]%mod;   
        } 
        printf("%I64d\n",(fac[n]-(tot1+tot2-tot3+mod)%mod+mod)%mod);   
    } 
    return 0;
}

  

# CF1207D Number Of Permutations ## 题目描述 给定一个长度为 $n$ 的整数对序列:$ (a_1, b_1), (a_2, b_2), \dots , (a_n, b_n) $。如果该序列按第一个元素非递减排序,或者按第二个元素非递减排序,则称该序列为“坏序列”;否则称为“好序列”。下面是一些好序列和坏序列的例子: - $ s = [(1, 2), (3, 2), (3, 1)] $ 是坏序列,因为第一个元素序列 $ [1, 3, 3] $ 已经有序; - $ s = [(1, 2), (3, 2), (1, 2)] $ 是坏序列,因为第二个元素序列 $ [2, 2, 2] $ 已经有序; - $ s = [(1, 1), (2, 2), (3, 3)] $ 是坏序列,因为两个元素序列(第一个元素序列和第二个元素序列)都已经有序; - $ s = [(1, 3), (3, 3), (2, 2)] $ 是好序列,因为无论第一个元素序列 $ ([1, 3, 2]) $ 还是第二个元素序列 $ ([3, 3, 2]) $ 都没有有序。 请计算有多少个长度为 $n$ 的排列,使得将该排列作用于序列 $s$ 后,得到的是一个好序列。 一个长度为 $n$ 的排列 $p$ 是一个由 $1$ 到 $n$ 的 $n$ 个不同整数组成的序列 $p_1, p_2, \dots, p_n$($1 \le p_i \le n$)。如果将排列 $p_1, p_2, \dots, p_n$ 作用于序列 $s_1, s_2, \dots, s_n$,则得到序列 $s_{p_1}, s_{p_2}, \dots, s_{p_n}$。例如,如果 $s = [(1, 2), (1, 3), (2, 3)]$ 且 $p = [2, 3, 1]$,则 $s$ 变为 $[(1, 3), (2, 3), (1, 2)]$。 ## 输入格式 第一行包含一个整数 $n$($1 \le n \le 3 \cdot 10^5$)。 接下来的 $n$ 行描述序列 $s$。第 $i$ 行包含两个整数 $a_i$ 和 $b_i$($1 \le a_i, b_i \le n$),分别表示第 $i$ 个数对的第一个和第二个元素。 序列 $s$ 可能包含相同的元素对。 ## 输出格式 输出使得作用排列后序列 $s$ 变为好序列的排列数量。答案对 $998244353$ 取模。 ## 输入输出样例 #1 ### 输入 #1 ``` 3 1 1 2 2 3 1 ``` ### 输出 #1 ``` 3 ``` ## 输入输出样例 #2 ### 输入 #2 ``` 4 2 3 2 2 2 1 2 4 ``` ### 输出 #2 ``` 0 ``` ## 输入输出样例 #3 ### 输入 #3 ``` 3 1 1 1 1 2 3 ``` ### 输出 #3 ``` 4 ``` ## 说明/提示 在第一个测试用例中,长度为 $3$ 的排列共有六种: 1. 如果 $p = [1, 2, 3]$,则 $s = [(1, 1), (2, 2), (3, 1)]$ —— 坏序列(按第一个元素有序); 2. 如果 $p = [1, 3, 2]$,则 $s = [(1, 1), (3, 1), (2, 2)]$ —— 坏序列(按第二个元素有序); 3. 如果 $p = [2, 1, 3]$,则 $s = [(2, 2), (1, 1), (3, 1)]$ —— 好序列; 4. 如果 $p = [2, 3, 1]$,则 $s = [(2, 2), (3, 1), (1, 1)]$ —— 好序列; 5. 如果 $p = [3, 1, 2]$,则 $s = [(3, 1), (1, 1), (2, 2)]$ —— 坏序列(按第二个元素有序); 6. 如果 $p = [3, 2, 1]$,则 $s = [(3, 1), (2, 2), (1, 1)]$ —— 好序列。 c++
09-24
【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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