完美的代价解答

 
完美的代价
       回文串,是一种特殊的字符串,它从左往右读和从右往左读是一样的。有人认为回文串是一种完美的字符串。现在给你一个字符串,它不一定是回文的,请你计算最少的交换次数使得该串变成一个回文串。这里的交换指将字符串中两个相邻的字符互换位置,例如所给的字符串为mamad,第一次交换ad,得到mamda;第二次交换md,得到madma;第三次交换ma,得到madam (回文!完美!)
       程序要求从键盘读入数据。第一行是一个整数N(N <= 8000),表示所给字符串的长度,第二行是所给的字符串,长度为N且只包含小写英文字母。如果所给字符串能经过若干次交换变成回文串,则输出所需的最少交换次数;否则,输出Impossible。
       图a和b是两个实际运行的样例。

5

mamad

3

 

图a

6

aabbcd

Impossible

 
图b
 

 

#include <iostream>
using namespace std;

int main()
{
 int N;     // 字符串长度
 cin >> N;
 char s[8001] = {0};  // 保证可存下结尾的'/0'
 cin >> s;

 // 判断是否可变为回文串
 int b[26] = {0};   // 记录'a'~'z'出现的次数
 for (int i = 0; i < N; i++)
  b[s[i] - 'a']++;  // 相应字母出现次数加一
 int odd = 0;    // 有多少个字母出现奇数次
 char charodd = '/0';  // 出现奇数次的字母
 for (int i = 0; i < 26; i++)
  if (b[i] % 2 == 1)  // b[i]是奇数
  {
   odd++;
   charodd = i + 'a'; // 记录该字母
  }
 if (odd > 1)
  cout << "Impossible" << endl; // 输出
 else
 {
  int change = 0;     // 交换次数
  for (int i = 0; i < N/2; i++) // 依次考虑左侧的字母
  {
   if (s[i] == charodd)  // 是charodd,转而考虑右侧字母
   {
    int j = 0;
    for (j = i; j <= N-i-1; j++) // 从左侧该位置开始,找相同字母
     if (s[j] == s[N-i-1])  // 找到
      break;
    change += j - i;    // 需要j-i次移动可到左侧位置
    for (int k = j; k > i; k--)  // 实现字母的移动
     s[k] = s[k-1];
    s[i] = s[N-i-1];
   }
   else  // 考虑左侧字母
   {
    int j = 0;
    for (j = N-i-1; j >= i; j--) // 从右侧对称位置开始,找相同字母
     if (s[j] == s[i])   // 找到
      break;
    change += N-i-1 - j;   // 需要N-i-j-j次移动可到右侧位置
    for (int k = j; k < N-i-1; k++) // 实现字母的移动
     s[k] = s[k+1];
    s[N-i-1] = s[i];
   }
  }
  cout << change << endl;     // 输出
 }
 return 0;
}

### Python 中与“完美代价”相关的概念 在讨论“完美代价”的背景下,“完美匹配”通常指的是图论中的一个特定问题,在二分图中找到一种边集,使得每个顶点恰好属于一条边。而“完美代价”可以理解为在这种匹配下达到最优解的成本最小化或最大化目标函数。 对于求解具有“完美代价”的匹配问题,匈牙利算法是一个经典的选择[^1]。该算法主要用于解决分配问题,即在一个加权完全二部图G=(V,E)上寻找总权重最大(或最小)的一组不相交的边集合E'⊆E, 使每条边上关联着不同的节点对(u,v),其中u∈U且v∈V-U,并满足|E'|=min(|U|, |V|-|U|)条件下的最佳情况——这就是所谓的“完美匹配”。 当涉及到具体实现时,可以通过调整成本矩阵来适应不同场景的需求: - 如果希望获得最低可能的总体费用,则保持原始输入不变; - 若要追求最高收益或其他形式的最大化指标,可先取负数再执行标准流程最后反转结果; 下面是利用`scipy.optimize.linear_sum_assignment`模块快速构建并解决问题的一个实例: ```python from scipy.optimize import linear_sum_assignment import numpy as np cost_matrix = np.array([ [4, 1, 3], [2, 0, 5], [3, 2, 2] ]) row_ind, col_ind = linear_sum_assignment(cost_matrix) perfect_cost = cost_matrix[row_ind, col_ind].sum() print(f"The perfect cost is {perfect_cost}") ``` 此代码片段展示了如何通过线性指派问题(Linear Sum Assignment Problem)计算得到一组任务到工作者之间的映射关系,从而确保整体开销最少的同时实现了完美的工作分配方案。
评论 5
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