ZOJ - 3939 The Lucky Week【简单方法】

题目

传送门
在这里插入图片描述

Sample Input
2
2016 4 11 2
2016 1 11 10
Sample Output
2016 7 11
2017 9 11

题意:t组数据,给出四个数,x,y,z,m,其中 x,y,z,分别是第一个幸运日的年月日,幸运日的定义为每月的1,11,或21,号且星期一,问第m个幸运日的年月日
注意第一个幸运日的范围为(1753 1.1~9999 12 .31)并不是要求的所有幸运日都在这个范围内

思路:暴力的话,1e9肯定超时,我们可以找下规律,我们发现从第一个幸运日开始到400年之后的同样的月份和日期例从2016 4 11 ~2416 4 11 总共有2059个幸运日,每个幸运日都符合这个规律,这样的话我们直接看要求的是第几个,把它减一,看他里面有几个2058,同时年份加上400,最后一个一个寻找,具体看代码(实力有限,大佬勿喷)

AC code

#include<iostream>
#include<algorithm>
#include<cstring>
#include<cmath>
#include<map>
#include<queue>
#include<stack>
using namespace std;
int t,x,y,z,m;
int a[2][14]={{0,31,29,31,30,31,30,31,31,30,31,30,31},{0,31,28,31,30,31,30,31,31,30,31,30,31}};//a[0]闰年,a[1]平年
void solve()
{
    m--;
    int p,s=0;
   int k=m/2058;//1~2059这点一定要注意除上2058
    m-=k*2058;
    x+=400*k;
    while(s<m)
{
    if(((x%4==0)&&(x%100!=0))||(x%400==0))p=0;//判断是否闰年
       else p=1;
    z+=7;//保证每次都是星期一
    if(z>a[p][y])
    {
        z-=a[p][y];
        y++;//下一月
        if(y>12)
        {
            y-=12;
            x++;//下一年
        }
    }
    if(z==1||z==11||z==21)
    {
      s++;
    }
}
printf("%d %d %d\n",x,y,z);
}
int main()
{
    ios::sync_with_stdio(0);
    cin>>t;
    while(t--)
    {
        cin>>x>>y>>z>>m;
       solve();
    }
}

一直不知道该除以几,推了一大会儿1~2059除以2058,对于星期周期,1—8除以7
例如第一天星期1,问第8天星期几,,8-1,7-7*7/7=0,是星期1,我真是太菜了…,大佬有任何关于周期好的技巧和方法,欢迎在下方评论qaq;

数据集介绍:多类别动物目标检测数据集 一、基础信息 数据集名称:多类别动物目标检测数据集 图片数量: - 训练集:6,860张图片 - 验证集:1,960张图片 - 测试集:980张图片 总计:9,800张含动态场景的动物图像 分类类别: Alpaca(羊驼)、Camel(骆驼)、Fox(狐狸)、Lion(狮子)、Mouse(鼠类)、Ostrich(鸵鸟)、Pig(猪)、Rabbit(兔子)、Rhinoceros(犀牛)、Shark(鲨鱼)、Sheep(绵羊)、Snake(蛇)、Whale(鲸鱼) 标注格式: YOLO格式标注,包含目标检测所需的归一化坐标及类别索引,适用于YOLOv5/v7/v8等系列模型训练。 数据特性: 覆盖航拍、地面视角等多种拍摄角度,包含动态行为捕捉及群体/单体目标场景。 二、适用场景 野生动物监测系统: 支持构建无人机/红外相机AI识别系统,用于自然保护区动物种群追踪与生态研究。 智慧农业管理: 适用于畜牧养殖场动物行为分析、数量统计及健康监测等自动化管理场景。 生物多样性研究: 为陆地/海洋生物分布研究提供标注数据支撑,助力濒危物种保护项目。 教育科研应用: 可作为计算机视觉课程实践素材,支持目标检测、迁移学习等AI教学实验。 三、数据集优势 跨物种覆盖全面: 包含13类陆生/水生动物,涵盖家畜、野生动物及濒危物种,支持复杂场景下的模型泛化训练。 动态场景丰富: 捕捉动物运动、群体互动等真实行为模式,提升模型对非静态目标的检测鲁棒性。 标注体系规范: 严格遵循YOLO标注标准,提供精确的边界框定位,支持即插即用的模型训练流程。 多场景适配性: 数据来源涵盖航拍影像、地面监控等多维度视角,适用于农业、生态保护、科研等跨领域应用。 类别平衡优化: 通过分层抽样保证各类别数据分布合理性,避免长尾效应影响模型性能。
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