Codeforces Round #122 (Div. 2)

本文提供CodeForces比赛194题目的解析与代码实现,涵盖DP算法、数论技巧、状态压缩及动态规划等,特别针对A、B、C、D四个题目进行了详细的技术说明。

http://codeforces.com/contest/194/problem/A

这题dp就让我水过过去了,据说可以直接判断,我就不懂得了dp[len][tot]  len<=50 tot<=250  还可以水过,表示len门课总分为tot的最优值

http://codeforces.com/contest/194/problem/B

数论水题 , 每次打叉的位置相当于 mod 4*n  (n+1)*k = 0 mod(4*n)  ->  (n+1)*k = k1*4n ,最小解k为  4*n/gcd(n+1,4*n)

http://codeforces.com/contest/194/problem/C

自己SB了,切记每次没有想好就不要去敲,每次已有思路就敲而没有去验证是否正确,导致敲了一半就意思到错了,这样的满足条件的要么无解(sum <=2)要么为1,要么为2只有这几种情况

http://codeforces.com/contest/194/problem/D

这题我想了半天,想到了连续xor 两次是不变的,如果自己实现的好复杂,看的别人的代码,真的很好,实现的很精妙,贴出来吧

#include <stdio.h>
#include <string.h>
#include <algorithm>
using namespace std;

typedef long long ll;

int a[33];
int b[33];
int k[33];
int p[33];

int n = 0;
int u = 0;
int r = 0;
ll ans = -0x7FFFFFFFFFFFFFFFLL;

int updateAns()
{
    ll tans = 0;
    for(int i = 1;i <= n;i++) tans += (ll)a[i]*k[i];
    if(tans > ans) ans = tans;
    return 0;
}

inline int op1()
{
    for(int i = 1;i <= n;i++) a[i] ^= b[i];
    return 0;
}

inline int op2()
{
    int na[33];
    for(int i = 1;i <= n;i++) na[i] = a[p[i]]+r;
    memcpy(a,na,sizeof(na));
    return 0;
}

int dfs(int remain,int last)
{
    if((remain&1) == 0) // all op1
    {
        updateAns();
    }
    if(!remain) return 0;
    
    int oa[33];
    memcpy(oa,a,sizeof(oa));
    if(last != 1)
    {
        op1();
        dfs(remain-1,1);
        memcpy(a,oa,sizeof(oa));
    }
    op2();
    dfs(remain-1,2);
    memcpy(a,oa,sizeof(oa));
    return 0;
}

int main(void)
{
    scanf("%d %d %d",&n,&u,&r);
    for(int i = 1;i <= n;i++) scanf("%d",&a[i]);
    for(int i = 1;i <= n;i++) scanf("%d",&b[i]);
    for(int i = 1;i <= n;i++) scanf("%d",&k[i]);
    for(int i = 1;i <= n;i++) scanf("%d",&p[i]);
    
    dfs(u,-1);
    printf("%I64d\n",ans);
    //while(getchar() != EOF);
    return 0;
}

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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