约瑟夫问题(洛谷P1996)

【信奥赛一本通】2037:【例5.4】约瑟夫问题(详细代码) 【信奥赛一本通】N个人围成一圈,从第一个人开始报数,数到M的人出圈;再由下一个人开始报数,数到M的人出圈;…输出依次出圈的人的编号。1.【题目描述】2.【代码】 1.【题目描述】 【题目描述】 N个人围成一圈,从第一个人开始报数,数到M的人出圈;再由下一个人开始报数,数到M的人出圈;…输出依次出圈的人的编号。 【输入】 输入N和M。 【输出】 输出一行,依次出圈的人的编号。 【输入样例】 8 5 【输出样例】 5 2 8 7 1 4 6 3 【提示】 【数据范围】 对于所有数据,2≤N,M≤1000。 2. 阅读详情

这是循环的做法,之后还会有其他的算法。

洛谷P1996 题目传送门

题目描述

n个人围成一圈,从第一个人开始报数,数到 m 的人出列,再由下一个人重新从 11 开始报数,数到m的人再出圈,依次类推,直到所有的人都出圈,请输出依次出圈人的编号。

注意:本题和《深入浅出-基础篇》上例题的表述稍有不同。书上表述是给出淘汰 n-1 名小朋友,而该题是全部出圈。

输入格式

输入两个整数 n,m。

输出格式

输出一行 n个整数,按顺序输出每个出圈人的编号。

输入输出样例

输入 #1复制

10 3

输出 #1复制

3 6 9 2 7 1 8 5 10 4

说明/提示

1≤m,n≤100

代码(详解):

#include<bits/stdc++.h>//万能头文件 
using namespace std;
int main(){
    int a[1003],n,m;//a定义每位童鞋 
    scanf("%d %d",&n,&m);//格式化输入
    /*
    cin>>n>>m;     简易输入 
    */ 
    for(int i=1;i<=n;i++){
        a[i]=1;//让每位小朋友坐上圆桌,1表示没出局,0表示出局 
    }
    int t=0,p=0,j=1;//p表示出局人数 ,t表示报的数 ,j为序号 
    while(p<n){//当p==n时,全部被淘汰,跳出循环,结束程序 
        if(a[j]==1){
            t++;//如果没出局,那他有资格报数 
        }
        if(t==m){//当报的数和要求的数一样时,这位小童鞋出局 
            cout<<j<<" ";//输出这位出局的童鞋 
            a[j]=0;//失去报数资格 
            t=0;//重新报数 
            p++;//出局人数+1 
        }
        j++;//下一位童鞋~~~ 
        if(j==n+1){
            j=1;//处理圆环 
        }
    }
    return 0;//华丽的结束 
}

经典问题·约瑟夫问题 地址:P1996 约瑟夫问题 - 洛谷 | 计算机科学教育新生态 (luogu.com.cn) 题目描述 nn 个人围成一圈,从第一个人开始报数,数到 mm 的人出列,再由下一个人重新从 11 开始报数,数到 mm 的人再出圈,依次类推,直到所有的人都出圈,请输出依次出圈人的编号。 输入格式 输入两个整数 n,mn,m。 输出格式 输出一行 nn 个整数,按顺序输出每个出圈人的编号。 输入输出样例 输入 #1 10 3 输出 #1 3 6 9 2 7 1 8 5 10 4 说明/ 阅读详情

相关推荐

洛谷P1996 约瑟夫问题解题思路及题解(线性数据结构)

P1996 约瑟夫问题 Luogu 应用 题库 训练 比赛 记录 讨论 13.2K 通过 24.6K 提交 题目提供者 Timothy 评测方式 云端评测 标签 洛谷原创 难度 普及- 时空限制 1000ms / 128MB 提交 题解 提示:收藏到任务计划后,可在首页查看。 最新讨论 显示 推荐的相关题目 显示 题目背景 约瑟夫是一个无聊的人!!! 题目描述 n个人(n&amp;lt;=100)围成...

weixin_44111688的博客 866

信息学奥赛一本通 2037:【例5.4】约瑟夫问题

N个人围成一圈,从第一个人开始报数,数到M的人出圈;再由下一个人开始报数,数到M的人出圈;输出依次出圈的人的编号。对于所有数据,2≤N,M≤1000。输出一行,依次出圈的人的编号。下面这个错误,但不知道为什么。

2303_77169502的博客 1397

题解:洛谷 P1996 约瑟夫问题

等知名刷题平台精心挑选而来,并结合各平台提供的算法标签和难度等级进行了系统分类。题目涵盖了从基础到进阶的多种算法和数据结构,旨在为不同阶段的编程学习者提供一条清晰、平稳的学习提升路径。的人再出圈,依次类推,直到所有的人都出圈,请输出依次出圈人的编号。个人围成一圈,从第一个人开始报数,数到。个整数,按顺序输出每个出圈人的编号。的人出列,再由下一个人重新从。#普及-# #树状数组#本文分享的必刷题目是从。

团爸讲算法 790

洛谷 P1996

https://www.luogu.org/problemnew/show/P1996 题目背景 约瑟夫是一个无聊的人!!! 题目描述 n个人(n&lt;=100)围成一圈,从第一个人开始报数,数到m的人出列,再由下一个人重新从1开始报数,数到m的人再出圈,……依次类推,直到所有的人都出圈,请输出依次出圈人的编号. 输入输出格式 输入格式:   n m   输出格式:   ...

xiji333的博客 821

洛谷P1996约瑟夫问题多种解法及编程实现

内容概要:本文详细介绍了洛谷P1996约瑟夫问题的各种解法,包括队列、循环链表、数组、数学方法等。每个解法都有详细的代码实现和视频讲解链接,适用于不同层次的学习者。文章还提供了丰富的背景资料,如信息学奥赛的相关知识、编程语言的选择等。 适合人群:初学者和有一定编程基础的信息学竞赛参赛者。 使用场景及目标:学习不同解法的优缺点,提高解决问题的能力和编程技巧,准备各类信息学竞赛。 其他说明:文章不仅包含具体的解法和代码实现,还有关于信息学竞赛的背景知识,有助于全面理解题目和解题思路。

飞书+扣子+DeepSeek三件套:5分钟搞定公众号文章批量改写(附完整配置截图)

本文详细介绍了如何利用飞书、扣子和DeepSeek三款工具,无需编程即可搭建一个高效的公众号文章批量改写自动化工作流。通过飞书多维表格管理链接与成果,扣子平台串联整个流程,并调用DeepSeek智能体进行内容润色与改写,实现从内容抓取到智能处理的完整自动化,大幅提升新媒体运营效率。

python9snake的博客 208

洛谷 P1996 约瑟夫问题 视频讲解

洛谷 P1996 约瑟夫问题 视频讲解

青少年趣味编程 1331

MySQL等保三级合规实践:如何安全配置root账户的本地与受信主机登录策略

本文详细介绍了MySQL在等保三级合规框架下如何安全配置root账户的本地与受信主机登录策略。通过分析root账户的特殊保护需求,提供三种安全加固方案,包括限制访问范围、限定登录IP和完全禁止远程登录,并指导创建安全的远程管理账户。文章还涵盖了密码策略强化、日志审计配置和网络层防护等关键合规要求,帮助用户实现MySQL的等保三级全面合规。

weixin_42522964的博客 259

洛谷 P1996 约瑟夫问题

洛谷 P1996 约瑟夫问题 题解: 用一个visit[]数组比较简单。 当然也可以用循环链表。 代码如下: #include<iostream> #include<algorithm> #include<stdio.h> #include<cmath> #include<queue> #include<cstring> #i...

化身孤岛的鲸o的博客 476

光学设计进阶:Zemax中的坐标断点与离轴系统优化

本文深入解析了Zemax中坐标断点的核心原理与实战应用,它是实现离轴光学系统设计的关键。文章通过比喻和实例,详细阐述了如何利用坐标断点作为“方向盘”来精确控制光学元件的偏心和倾斜,实现“前断后接”的局部坐标系变换,从而构建并优化无中心遮拦的离轴反射系统,避免光线失控。

3a9bq4r8t2y的博客 525

基于大模型的重度膝关节骨关节炎全流程预测与治疗方案研究

本研究基于大模型构建了重度膝关节骨关节炎(KOA)预测体系,涵盖术前风险预测、手术方案优化、术中监测和术后康复指导全流程。通过分析临床和影像数据,模型在手术风险预测准确率(85%)、并发症预警(血栓预测准确率88%)等方面显著优于传统方法。研究实现了临床数据与AI技术的深度融合,术前预测指导麻醉选择(如高危患者推荐椎管内麻醉),术中实时监测生命体征,术后个性化康复方案使患者HSS评分平均提升45分。

嵌入式毕设/课设资料清单(速查手册·文档模板·题库,持续更新)→ 见最新文章 1389

洛谷 P1996 约瑟夫问题之题解

本文介绍了洛谷P1996约瑟夫问题的三种解法:STL list、动态链表和静态链表。题目要求n个人围成一圈,从1开始报数,数到m的人出列,直到所有人出圈。STL list解法利用C++标准库的双向链表实现;动态链表通过指针管理节点空间;静态链表则使用预分配的连续空间,包括单向和双向两种实现。三种方法各有优缺点,STL list编码简单但效率较低,动态链表标准但管理复杂,静态链表适合算法竞赛快速实现。代码示例展示了每种方法的具体实现。

alexwang211的博客 969

CLCD 中国生命周期基础数据库使用攻略

CLCD 是公共建筑碳排放计算的理想选择,其本地化数据可显著提高计算准确性。

hy行者勇哥的博客 2675

洛谷P1996 约瑟夫问题-队列

本文介绍了解决约瑟夫问题的三种方法。该问题要求n个人围成一圈,从第1人开始报数,数到m的人出圈,直到所有人出圈,输出出圈顺序。 三种实现方法: 模拟法:用数组标记出圈状态,循环查找第m个未出圈的人,时间复杂度O(n*m) 链表法:用list模拟循环链表,迭代器遍历删除节点,处理循环边界 队列法:将未出圈者重新入队,数到m时出队,实现循环报数 三种方法均能正确解决问题,时间复杂度相同但实现方式不同。数组法适合小规模数据,链表法适合频繁删除,队列法代码最简洁。根据具体场景选择适当方法即可。

lan_in的博客 1101

LVGL 源码分析大全

LVGL 是一款流行的免费和开源嵌入式图形库,为纯C的轻量级GUI框架,支持framebuffer直接渲染图层,因此LVGL能更容易为 MCU、MPU等显示设备开发漂亮的UI。可视化的 UI 编辑器官方上有推荐使用工具。当然,也可以选择 NXP(恩智浦半导体) 提供的工具。........................

Bigan(安)的博客 1万+

TIBCO Jaspersoft Studio报表开发 使用教程-进阶版

本文学习内容容器定制二级目录三级目录 容器定制 二级目录 三级目录

吉哲的博客 7521

洛谷P1996 约瑟夫问题

洛谷P1996 约瑟夫问题 题目描述 n个人围成一圈,从第一个人开始报数,数到 m 的人出列,再由下一个人重新从 1 开始报数,数到 m 的人再出圈,依次类推,直到所有的人都出圈,请输出依次出圈人的编号。 输入格式 输入两个整数 n,m。 输出格式 输出一行 n 个整数,按顺序输出每个出圈人的编号。 输入输出样例 输入 10 3 输出 3 6 9 2 7 1 8 5 10 4 建立一个用于判断此人...

Rzx19的博客 964

数字电路逻辑与设计实验三 译码器和数据选择器

1. 译码器功能测试 将 74LS139 按图 3.1 接线,按表 3.2 输入电平分别置位,填输出状态表。 2. 译码器转换 将双 2-4 线译码器转换为 3-8 线译码器。 (1)画出转换电路图。 (2)在实验箱上接线并验证设计是否正确。 (3)设计并填表写该 3-8 线译码器功能表,画出输入、输出波形。 3. 数据选择器的测试及应用 (1) 将双 4 选 1 数据选择器 74LS153 参照图 3.2 接线,测试其功能并填写功能表 3.3。 (2)将实验箱脉冲信号源中固定连续脉冲 4 个不

欢迎交流学习心得 3085

【C++】洛谷P1996约瑟夫问题

【C++】洛谷P1996约瑟夫问题

仟墨(郑龙浩)的博客 201

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

双向循环链表(洛谷P1996 约瑟夫问题)

# 双向循环链表(洛谷P1996 约瑟夫问题) 题目 见题目链接 题目链接约瑟夫问题 - 洛谷 输入 见题目链接 输出 见题目链接 样例 见题目链接 题解 可以用一个双向循环链表存储人的编号,同时模拟报数,报到指定数字的人的节点从链表中删除,直至链表中无节点。 代码 #include <stdio.h> #include <stdlib.h> typedef struct...

有学上就行.jpg 605

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")

【线性表】洛谷P1996 约瑟夫问题

本题来自洛谷P1996.

你的博客 743

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

洛谷 P1996 约瑟夫问题 题解(queue)

①巧妙利用queue的性质,单个queue也可以构成循环 ②设置一个单独变量,不用表示下标,只表示遍历次数 #include #include using namespace std; int main() { int rv = 1, n, m; queue q; cin>>n>>m; for(int i = 0; i < n; i++){ q.push(i+1); } while(!q.empty()){ if(rv == m){ cout<<q.front()&

qiaodxs的博客 279

洛谷P1996约瑟夫问题

题目描述 nn 个人围成一圈,从第一个人开始报数,数到 mm 的人出列,再由下一个人重新从 11 开始报数,数到 mm 的人再出圈,依次类推,直到所有的人都出圈,请输出依次出圈人的编号。注意:本题和《深入浅出-基础篇》上例题的表述稍有不同。书上表述是给出淘汰 n-1 名小朋友,而该题是全部出圈。输入格式 输入两个整数 n,mn,m。输出格式 输出一行 nn 个整数,按顺序输出每个出圈人的编号。输入输出样例 输入 #1复制 10 3 输出 #1复制 3 6 9 2 7 1 8 5 10 4 说明/提示 1 \

m0_56243424的博客 242

[洛谷]P1996 约瑟夫问题

掌握队列和环形链表在实际中的应用。

Turing_Sheep的博客 1332
上一篇: 炫“库”行动-人大金仓征文大赛—计时器
下一篇: c++中的特殊(奇葩)语句
return_dr
博客等级 码龄5年 216粉丝 105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