魔法扑克

题目描述

Yellowstar玩扑克总能立于不败之地,原因竟是他会使用魔法,每次使用魔法,能把手里的扑克变换成另一张扑克,但是使用魔法是非常消耗精力的,因此他不在万不得已的情况下不会轻易使用魔法。

某天Yellowstar打德州扑克输光了所有筹码,最后一轮,不得已他只好使用魔法。这轮他手里拿了5张牌,他需要使用魔法把这副牌变成同花顺,称五张牌构成了同花顺,当且仅当它们的数值连续,花色一致。

Yellowstar每次使用魔法能变换一张牌,他想知道最少他需要使用多少次魔法才能把牌变成同花顺。

扑克中一共有52种牌,牌的花色用一个大写字母'A' 'B' 'C' 'D'来表示,而数值用数字('1' '2' … '13')来表示。注意数字1代表ace,在德州扑克中是最大的牌。"1 2 3 4 5" 和 "10 11 12 13 1" 都被认为是连续的。而"11 12 13 1 2"并不是。

输入

第一行是样例数 1 <= T <= 1000
对于每组数据,在一行中有五个字符串代表五张牌。数据保证所有的牌都是不同的。

输出

输出T行,每行一个数表示最少需要使用几次魔法。

输入样例

5
A2 A3 A1 A4 A5
A1 A2 A3 A4 C5
A9 A10 C11 C12 C13
A11 A12 A13 A1 A2
B10 B11 B12 B13 B1

输出样例

0
1
2
1
0

提示  

第一个样例存在A1A2A3A4A5这个同花顺,不需要使用魔法。
第四个样例使用魔法把A2变成A10,就形成了同花顺

思路

标记每次出现的牌,然后遍历所有的同花顺情况,看看哪个方案转化成标记牌的次数最少。
ps:因为牌的号码是1到13,所以可以把每张牌看成是一个13进制的数字,然后再把这个13进制的数字转化成一个10进制的数字方便处理,由进制转化的结论可知,在进制转化的过程中,得到的10进制肯定是唯一的。

#include<bits/stdc++.h>
using namespace std;
int judge[100];
char s[5];
int count1(int x) {
	int cnt = 5;
	for(int i = 0; i <= 4; i++) {
		if(judge[x + i])
			cnt--;
	}
	return cnt;
}
int count2(int x) {
	int cnt = 5;
	for(int i = 10; i <=13; i++)
		if(judge[x + i])
			cnt--;
	if(judge[x + 1]) cnt--;
	return cnt;
}
int calculate() {
	int sum = 5;
	for(int i = 0; i < 4; i++) {
		for(int j = 1; j <= 9; j++) {
			sum = min(sum, count1(i * 13 + j));
		}
		sum = min(sum, count2(i * 13));
	}
	return sum;
}
int main() {
	int t;
	cin >> t;
	int temp;
	while(t--) {
		memset(judge, 0, sizeof(judge));
		for(int i = 0; i < 5; i++) {
			cin >> s;
			temp = (s[0] - 'A') * 13;
			int sum = 0;
			for(int i = 1; s[i]; i++) {
				sum = sum * 10 + (s[i] - '0');
			}
			temp += sum;
			judge[temp] = 1;
		}
		cout << calculate() << endl;
	}
}


 

 

 

 

 

基于python实现的粒子群的VRP(车辆配送路径规划)问题建模求解+源码+项目文档+算法解析,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 算法设计的关键在于如何向表现较好的个体学习,标准粒子群算法引入惯性因子w、自我认知因子c1、社会认知因子c2分别作为自身、当代最优解和历史最优解的权重,指导粒子速度和位置的更新,这在求解函数极值问题时比较容易实现,而在VRP问题上,速度位置的更新则难以直接采用加权的方式进行,一个常见的方法是采用基于遗传算法交叉算子的混合型粒子群算法进行求解,这里采用顺序交叉算子,对惯性因子w、自我认知因子c1、社会认知因子c2则以w/(w+c1+c2),c1/(w+c1+c2),c2/(w+c1+c2)的概率接受粒子本身、当前最优解、全局最优解交叉的父代之一(即按概率选择其中一个作为父代,不加权)。 算法设计的关键在于如何向表现较好的个体学习,标准粒子群算法引入惯性因子w、自我认知因子c1、社会认知因子c2分别作为自身、当代最优解和历史最优解的权重,指导粒子速度和位置的更新,这在求解函数极值问题时比较容易实现,而在VRP问题上,速度位置的更新则难以直接采用加权的方式进行,一个常见的方法是采用基于遗传算法交叉算子的混合型粒子群算法进行求解,这里采用顺序交叉算子,对惯性因子w、自我认知因子c1、社会认知因子c2则以w/(w+c1+c2),c1/(w+c1+c2),c2/(w+c1+c2)的概率接受粒子本身、当前最优解、全局最优解交叉的父代之一(即按概率选择其中一个作为父代,不加权)。
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