北邮机试 九度 题目1175:打牌

本文介绍了一种用于判断已排序牌能否压制对手出牌的算法。该算法通过分析牌型和数值来确定压制关系,涉及单张、对子、顺子等多种牌型,并通过实例演示了具体的实现过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题目链接:http://ac.jobdu.com/problem.php?pid=1175

题目描述:

牌只有1到9,手里拿着已经排好序的牌a,对方出牌b,用程序判断手中牌是否能够压过对方出牌。
规则:出牌牌型有5种  
[1]一张 如4 则5...9可压过
[2]两张 如44 则55,66,77,...,99可压过
[3]三张 如444 规则如[2]
[4]四张 如4444 规则如[2]
[5]五张 牌型只有12345 23456 34567 45678 56789五个,后面的比前面的均大。

输入:

输入有多组数据。
每组输入两个字符串(字符串大小不超过100)a,b。a字符串代表手中牌,b字符串代表处的牌。

输出:

压过输出YES 否则NO。

样例输入:
12233445566677
33
样例输出:
YES

题目比较水。

思路:前四种其实可以归类于一种。但是要注意的是444是可以压过22的。因为只有四种牌型,而且,已经排序,直接从前往后扫,对每一种牌型进行最大牌标记a[]。

对于第五种因为只有100字符大小,且只有五种型号,可以直接暴力。当然直接判断第一个字符直接找就可以。

注意的就是边界处理和第五种情况中间缺牌细节,鄙逗考虑到了这种情况但是写的时候忘了加,WA了一次SAD...看到别人的样例的时候还信心满满的觉得自己能过找了半天发现呵呵了,自己就是没写。。。

其实前一天晚上就能A但是自己想玩看电影去了,第二天就把那个地方忘了写。。


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

char stra[1005];
char strb[1005];
int a[10];
int main()
{
    while(scanf("%s",stra) != EOF)
    {
        memset(a,0,sizeof(a));
        scanf("%s",strb);
        int len,temp;
        len = strlen(stra);

        int i,j,count;
        count = 1;
        temp = stra[0];
        int lenb = strlen(strb);
        if(lenb < 5)
        {

            for(i = 0; i < len; i++)
            {
                if(i == 0)
                    temp = stra[0],count = 1;
                else if(temp == stra[i])
                    count++;
                else
                {
                    a[count] = stra[i-1]-'1'+1;
                    temp = stra[i];
                    for(j = 1;j < count;j++)
                    {
                        a[j] = a[count];
                    }
                    count = 1;
                }
                if(i == len-1)
                {
                    a[count] = stra[i]-'1'+1;
                    for(j = 1;j < count;j++)
                    {
                        a[j] = a[count];
                    }
                }
            }

            len = strlen(strb);
            if(a[len] > strb[0]-'1'+1)
                printf("YES\n");
            else
                printf("NO\n");

        }
        else
        {

            int i,j,s,flag;

            i = 0;
            while(i < len)
            {
                if(stra[i] > strb[0])
                    break;
                i++;
            }
            int pre;
            pre = stra[i];
            count = 1;
            flag = 0;
            for(i = i+1;i < len;i++)
            {
                if(pre == stra[i]-1)
                    count++,pre = stra[i];
                else if(pre < stra[i]-1)
                    count = 1,pre = stra[i];
                if(count == 5){
                    flag = 1;break;
                }

            }

            if(flag)
                puts("YES");
            else
                puts("NO");

        }
    }
    return 0;
}


  

标题基于SpringBoot+Vue的学生交流互助平台研究AI更换标题第1章引言介绍学生交流互助平台的研究背景、意义、现状、方法与创新点。1.1研究背景与意义分析学生交流互助平台在当前教育环境下的需求及其重要性。1.2国内外研究现状综述国内外在学生交流互助平台方面的研究进展与实践应用。1.3研究方法与创新点概述本研究采用的方法论、技术路线及预期的创新成果。第2章相关理论阐述SpringBoot与Vue框架的理论基础及在学生交流互助平台中的应用。2.1SpringBoot框架概述介绍SpringBoot框架的核心思想、特点及优势。2.2Vue框架概述阐述Vue框架的基本原理、组件化开发思想及与前端的交互制。2.3SpringBoot与Vue的整合应用探讨SpringBoot与Vue在学生交流互助平台中的整合方式及优势。第3章平台需求分析深入分析学生交流互助平台的功能需求、非功能需求及用户体验要求。3.1功能需求分析详细阐述平台的各项功能需求,如用户管理、信息交流、互助学习等。3.2非功能需求分析对平台的性能、安全性、可扩展性等非功能需求进行分析。3.3用户体验要求从用户角度出发,提出平台在易用性、美观性等方面的要求。第4章平台设计与实现具体描述学生交流互助平台的架构设计、功能实现及前后端交互细节。4.1平台架构设计给出平台的整体架构设计,包括前后端分离、微服务架构等思想的应用。4.2功能模块实现详细阐述各个功能模块的实现过程,如用户登录注册、信息发布与查看、在线交流等。4.3前后端交互细节介绍前后端数据交互的方式、接口设计及数据传输过程中的安全问题。第5章平台测与优化对平台进行全面的测,发现并解决潜在问题,同时进行优化以提高性能。5.1测环境与方案介绍测环境的搭建及所采用的测方案,包括单元测、集成测等。5.2测结果分析对测结果进行详细分析,找出问题的根源并
内容概要:本文详细介绍了一个基于灰狼优化算法(GWO)优化的卷积双向长短期记忆神经网络(CNN-BiLSTM)融合注意力制的多变量多步时间序列预测项目。该项目旨在解决传统时序预测方法难以捕捉非线性、复杂时序依赖关系的问题,通过融合CNN的空间特征提取、BiLSTM的时序建模能力及注意力制的动态权重调节能力,实现对多变量多步时间序列的精准预测。项目不仅涵盖了数据预处理、模型构建与训练、性能评估,还包括了GUI界面的设计与实现。此外,文章还讨论了模型的部署、应用领域及其未来改进方向。 适合人群:具备一定编程基础,特别是对深度学习、时间序列预测及优化算法有一定了解的研发人员和数据科学家。 使用场景及目标:①用于智能电网负荷预测、金融市场多资产价格预测、环境气象多参数预报、智能制造设备状态监测与预测维护、交通流量预测与智慧交通管理、医疗健康多指标预测等领域;②提升多变量多步时间序列预测精度,优化资源调度和风险管控;③实现自动化超参数优化,降低人工调参成本,提高模型训练效率;④增强模型对复杂时序数据特征的学习能力,促进智能决策支持应用。 阅读建议:此资源不仅提供了详细的代码实现和模型架构解析,还深入探讨了模型优化和实际应用中的挑战与解决方案。因此,在学习过程中,建议结合理论与实践,逐步理解各个模块的功能和实现细节,并尝在自己的项目中应用这些技术和方法。同时,注意数据预处理的重要性,合理设置模型参数与网络结构,控制多步预测误差传播,防范过拟合,规划计算资源与训练时间,关注模型的可解释性和透明度,以及持续更新与迭代模型,以适应数据分布的变化。
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