Comet OJ - Contest #0 D 战术安排 dfs

最新推荐文章于 2019-07-29 17:26:02 发布
最新推荐文章于 2019-07-29 17:26:02 发布
阅读量303 收藏
点赞数
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_40038776/article/details/89055362
本文针对竞赛题D进行了详细解析，提出了避免超时的剪枝策略，并通过维护8种做法的时间来解决问题，避免了常规DFS算法可能遇到的问题。

https://www.cometoj.com/contest/34/problem/D?problem_id=1476

思路：

为了预防超时（虽然感觉直接写dfs并不会超时），可以有以下两个剪枝：

1.若已知当前情况肯定不会比之前得到的最优答案更优，剪枝

2.可行性剪枝 0≤x,y,z≤180

两个点需要注意：

1.若第1题ab一起做60min，第二题bc一起做60min，第三题ac一起做60min，那么再来一道ac一起需要做60min的题则不能将这道题完成。

2.背景同上，若ab一起做60min，bc一起做60min，ac一起做60min，那么他们花费的总时间是180min而不是120min。

考虑到上述情况，所以不能按常规思维dfs

正确做法：维护8种做法（包含不做题的做法）每一种做法花费的时间。

代码：

 

 

 

more：

HDU6223

Reflect0
关注
[Comet OJ - Contest #6 E]字符串
时光真疯狂, 我一路执迷于匆忙.
07-11 393
Description 给出一个长度为n的字符串S，定义f(S)为S的所有n∗(n+1)/2n*(n+1)/2n∗(n+1)/2个子串，两两求LCP的和 对于每个i，求出f(S[i…n])，答案对998244353取模 n<=200000 Solution log^2的做法有很多这里就不一一说了 数据结构学傻了.jpg 先考虑两个后缀l和r的所有前缀互相匹配的答案，显然只和后缀长度和LCP有...
comet-atomic-2020
05-06
（Comet-）ATOMIC 2020：关于符号和神经常识知识图 纸 耶拿·黄（Jena D. Hwang），钱德拉（Chandra Bhagavatula），罗南·勒布拉斯（Ronan Le Bras），杰夫·达（Jeff Da），坂口圭介（Keisuke Sakaguchi），安托万...
comet oj篮球校赛 贪心+dfs
u013345179的博客
07-29 234
题目描述 JWJU注重培养学生的“唱，跳，rap，篮球”能力。于是每年JWJU都会举办篮球校赛，来给同学们一个切磋篮球技术的平台。校赛冠军的奖励是看wls女装一次，为了这个目标，大家都努力训练，希望自己能看到wls女装。教练mymymy手下有 nnn 名队员，现在他要挑选 555 人组成一个篮球队来参赛。众所周知，一个篮球队伍有五个不同的位置（控球后卫，得分后卫，小前锋，大前锋，中锋），现在教练m...
牛客练习赛43（B）
xyqqwer的博客
04-06 416
题目链接：https://ac.nowcoder.com/acm/contest/548/B 题目描述 立华奏在学习初中数学的时候遇到了这样一道大水题： “设箱子内有 n 个球，其中给 m 个球打上标记，设一次摸球摸到每一个球的概率均等，求一次摸球摸到打标记的球的概率” “emmm...语言入门题” 但是她改了一下询问方式：设最终的答案为 p ,请输出 p 小数点后 K1K1 到 K2K2...
“卓见杯”第五届CCPC中国大学生程序设计竞赛河南省赛网络赛 D Defending Plan Support（树形dp，贡献值，递推）
obsorb_knowledge的博客
04-15 440
题目描述 The architectural structure of the college is strange, but the rule is that there is only one simple path between every two classrooms. Now the battle between Class A and Class F broke out. As a...
CIA1 皇宫看守（树形dp）
Icefox的博客
10-09 862
问题描述：太平王世子事件后，陆小凤成了皇上特聘的御前一品侍卫。 　　皇宫以午门为起点，直到后宫嫔妃们的寝宫，呈一棵树的形状；某些宫殿间可以互相望见。大内保卫森严，三步一岗，五步一哨，每个宫殿都要有人全天候看守，在不同的宫殿安排看守所需的费用不同。 　　可是陆小凤手上的经费不足，无论如何也没法在每个宫殿都安置留守侍卫。编程任务：帮助陆小凤布置侍卫，在看守全部宫殿的前提下，使得花费的经费最少。数据输
牛客练习赛43-F Tachibana Kanade Loves Game
随风而行的博客
04-06 328
链接：https://ac.nowcoder.com/acm/contest/548/F 来源：牛客网 时间限制：C/C++ 1秒，其他语言2秒 空间限制：C/C++ 524288K，其他语言1048576K 64bit IO Format: %lld 题目描述 立华奏是一个天天打比赛的萌新。 省选将至，萌新立华奏深知自己没有希望进入省队，因此开始颓废。她正在颓废一款名为《IODS 9...
[Comet OJ - Contest #6 ]简要题解？
时光真疯狂, 我一路执迷于匆忙.
06-29 594
图游戏 n-1-m的奇偶性 #include <cstdio> #include <cstring> #include <algorithm> #define fo(i,a,b) for(int i=a;i<=b;i++) #define fd(i,a,b) for(int i=a;i>=b;i--) using namespace std; in...
[Comet OJ - Contest #6 D][48D 2280]另一道树题_并查集
dianan0938的博客
07-24 166
另一道树题 题目大意： 数据范围： 题解： 这个题第一眼能发现的是，我们的答案分成两种情况。 第一种是在非根节点汇合，第二种是在根节点汇合。 尝试枚举在第几回合结束，假设在第$i$回合结束的方案数为$f_i$，那么总答案就是$\sum\limits_{i = 1} ^ {N - 1}i\times f_i$。 显然没法求这个$f_i$.... 进而，觉得这鬼东...
comet-for-mlflow:Comet-For-MLFlow扩展
03-09
Comet-For-MLFlow扩展 Comet-For-MLFlow扩展是一个CLI，可将MLFlow实验运行映射到Comet实验。 此扩展程序使您可以在Comet.ml UI中查看现有实验，该UI提供了对实验结果的经过身份验证的访问权限，大大提高了大批量...
comet-ml-python-api:适用于comet.ml的Python3 SDK
05-15
适用于Comet.ml的Python3 SDK 基于增压机器学习库 文献资料 请参阅Comet.ml API 安装 pip install comet_ml_api 例子 from comet_ml_api import CometMlApi comet = CometMlApi(&#39;bvtC8QqL6pQH4B1yhsUO9TICc&#39;, &#39;v1&#39;...
comet-ml-api:适用于comet.ml的Node.js SDK
05-14
适用于Comet.ml的Node.js SDK 基于增压机器学习库 文献资料 请参阅Comet.ml API 安装 npm install comet-ml-api 例子 const CometMlAPI = require(&#39;comet-ml-api&#39;); const apiKey = &#39;s9ILl8ox92nZSTVh8eo4B47LC&#39;; ...
springboot智能在线预约挂号系统【附万字论文+PPT+包部署+录制讲解视频】.zip
09-05
标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论，包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案，包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块，如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构，确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面，提升用户体验。3.4系统安全设计阐述系统安全策略，包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程，包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试，分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进，提升系统性能。第5章研究结果呈现系统实现后的效果，包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果，如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
基于机器学习方法的信用风险评估体系构建与实现
09-05
在金融行业中，对信用风险的判断是核心环节之一，其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法，尤其是Sklearn工具包，建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法，并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域，其基本理念是通过数据自动学习规律，而非依赖人工设定规则。在信贷分析中，该技术可用于挖掘历史数据中的潜在规律，进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn（Scikit-learn）是Python语言中广泛使用的机器学习模块，提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程，是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型，特别适用于二类问题。在信用评估中，该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值，从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法，适用于数据维度高、样本量小的情况。在信用分析中，该方法能够通过寻找最佳分割面，区分违约与非违约客户。通过选用不同核函数，可应对复杂的非线性关系，提升预测精度。 五、数据预处理步骤 在建模前，需对原始数据进行清理与转换，包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分，常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰，增强模型的适应性。 六、模型构建与验证 借助Sklearn，可以将数据集划分为训练集和测试集，并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时，更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力，可采用集成策略，如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差，增强整体预测的稳定性与准确性。 综上，基于机器学习的信用评估系统可通过Sklearn中的多种算法，结合合理的数据处理与模型优化，实现对借款人信用状况的精准判断。在实际应用中，需持续调整模型以适应市场变化，保障预测结果的长期有效性。 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！
橙色s（）_Orange&#39;s一个操作系统的实现(随书光盘).zip
09-05
橙色s（）_Orange&#39;s一个操作系统的实现(随书光盘).zip
perl-Hash-Flatten-1.19-26.el8.tar.gz
09-05
# 适用操作系统：Centos8 #Step1、解压 tar -zxvf xxx.el8.tar.gz #Step2、进入解压后的目录，执行安装 sudo rpm -ivh *.rpm
jackson-dataformat-smile-2.20.0.jar中文-英文对照文档.zip
09-05
1、压缩文件中包含： 中文-英文对照文档、jar包下载地址、Maven依赖、Gradle依赖、源代码下载地址。 2、使用方法： 解压最外层zip，再解压其中的zip包，双击 【index.html】 文件，即可用浏览器打开、进行查看。 3、特殊说明： （1）本文档为人性化翻译，精心制作，请放心使用； （2）只翻译了该翻译的内容，如：注释、说明、描述、用法讲解 等； （3）不该翻译的内容保持原样，如：类名、方法名、包名、类型、关键字、代码 等。 4、温馨提示： （1）为了防止解压后路径太长导致浏览器无法打开，推荐在解压时选择“解压到当前文件夹”（放心，自带文件夹，文件不会散落一地）； （2）有时，一套Java组件会有多个jar，所以在下载前，请仔细阅读本篇描述，以确保这就是你需要的文件。 5、本文件关键字： jar中文-英文对照文档.zip,java,jar包,Maven,第三方jar包,组件,开源组件,第三方组件,Gradle,中文API文档,手册,开发手册,使用手册,参考手册。
Source code for common plots in various languages_libraries_
09-05
Source code for common plots in various languages_libraries_ R (base, ggplot2, rCharts) Python (matplotlib, seaborn, ggplot, bokeh, vincent), MATLAB, and Julia (Gadfly).zip
操作系统实验代码.zip
最新发布
09-05
操作系统实验代码.zip
# YOLOv5 🚀 requirements # Usage: pip install -r requirements.txt # Base ------------------------------------------------------------------------ gitpython ipython # interactive notebook matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.1 Pillow>=7.1.2 psutil # system resources PyYAML>=5.3.1 requests>=2.23.0 scipy>=1.4.1 thop>=0.1.1 # FLOPs computation torch>=1.7.0 # see https://pytorch.org/get-started/locally (recommended) torchvision>=0.8.1 tqdm>=4.64.0 # protobuf<=3.20.1 # https://github.com/ultralytics/yolov5/issues/8012 # Logging --------------------------------------------------------------------- tensorboard>=2.4.1 # clearml>=1.2.0 # comet # Plotting -------------------------------------------------------------------- pandas>=1.1.4 seaborn>=0.11.0 # Export ---------------------------------------------------------------------- # coremltools>=6.0 # CoreML export # onnx>=1.9.0 # ONNX export # onnx-simplifier>=0.4.1 # ONNX simplifier # nvidia-pyindex # TensorRT export # nvidia-tensorrt # TensorRT export # scikit-learn<=1.1.2 # CoreML quantization # tensorflow>=2.4.1 # TF exports (-cpu, -aarch64, -macos) # tensorflowjs>=3.9.0 # TF.js export # openvino-dev # OpenVINO export # Deploy ---------------------------------------------------------------------- # tritonclient[all]~=2.24.0 # Extras ---------------------------------------------------------------------- # mss # screenshots # albumentations>=1.0.3 # pycocotools>=2.0 # COCO mAP # roboflow # ultralytics # HUB https://hub.ultralytics.com
05-25
### YOLOv5 的依赖库及其用途 YOLOv5 是一种高效的实时对象检测框架，其运行需要一系列 Python 库的支持。以下是 YOLOv5 中常见的依赖库以及它们的主要功能： #### 1. **torch** PyTorch 是 YOLOv5 的核心深度学习框架，用于构建和训练神经网络模型[^2]。 它提供了动态计算图支持，使得模型定义更加灵活。 ```python import torch print(torch.__version__) ``` #### 2. **numpy** NumPy 提供了高性能的数组操作能力，广泛用于数据预处理、后处理以及其他数值运算任务[^3]。 ```python import numpy as np arr = np.array([1, 2, 3]) print(arr) ``` #### 3. **opencv-python** OpenCV 被用来加载图像、视频流，并执行各种计算机视觉任务，例如图像增强、颜色转换等[^4]。 ```python import cv2 image = cv2.imread(&#39;example.jpg&#39;) cv2.imshow(&#39;Image&#39;, image) cv2.waitKey(0) ``` #### 4. **matplotlib** Matplotlib 主要用于可视化目的，比如绘制损失曲线或展示检测结果[^5]。 ```python import matplotlib.pyplot as plt plt.plot([1, 2, 3], [4, 5, 6]) plt.show() ``` #### 5. **tqdm** `tqdm` 可以显示进度条，在长时间运行的操作中提供直观反馈[^6]。 ```python from tqdm import tqdm for i in tqdm(range(100)): pass ``` #### 6. **pandas** Pandas 常被用作数据分析工具，特别是在评估阶段整理实验结果时非常有用[^7]。 ```python import pandas as pd df = pd.DataFrame({&#39;A&#39;: [1, 2], &#39;B&#39;: [3, 4]}) print(df) ``` #### 7. **scipy** SciPy 扩展了 NumPy 功能集，增加了更多科学计算方法，可能涉及距离度量或其他统计分析[^8]。 ```python from scipy.spatial.distance import euclidean dist = euclidean([1, 2], [4, 6]) print(dist) ``` #### 8. **tensorboard** TensorBoard 是 PyTorch 集成的一个日志记录工具，允许开发者监控训练过程中的指标变化情况[^9]。 ```bash pip install tensorboard ``` --- ### 总结 以上列举的是 YOLOv5 正常运作所需的关键第三方包集合。每项都有特定职责范围内的贡献，共同保障整个项目顺利实施完成。
评论
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