dp

题源http://acm.hust.edu.cn/vjudge/problem/viewProblem.action?id=27634



题意:三个数,第一个数N, R, Q。 1$ \le$N < 101, 0000$ \le$R < Q$ \le$1, 000。找出最大的没有前导零的由 N 的若干位不打乱顺序构成的数,设这个数%Q==R. 如果不存在输出Not found



思路:

复杂度1000(N长度)*1000(Q的余数)*10(枚举每一位的数字)*200(case数)。。。1.9s过了。。。

状态在代码注释中

因为判断这么大的数的大小,就先看这个数有多少位(没有前导零),其次从高位往低位比较每一位大小。

所以我们的状态第一维是结果的长度。然后从高位的9到1(如果不是首位可以是0)枚举。


状态转移的时候,新加进来的那一位是最左边的。存的是满足条件最靠右的。

int pos = max(f[len-1][i], g[len-1][i]);

对于 g 转移方程很简单 就是g[len][i] = max(g[len][i], pre[pos-1][0]);

对于 f 转移方程为枚举1到9 for(j=1; j<=9; ++j){ int ii = (i+j*ten[len-1])%Q; f[len][ii] = max(f[len][ii], pre[pos-1][j]); }



代码:

  1. char a[1111];  
  2. int ten[1111];//10^i % Q  
  3. int pre[1111][11];//i位置左边最靠近他的j的位置  
  4. int nxt[1111][11];//i位置右边最靠近他的j的位置  
  5. int f[1111][1111];//所求的数长度为i,模Q为j,并且最左边的数不为零,的最右边的位置  
  6. int g[1111][1111];//所求的数长度为i,模Q为j,并且最左边的数为零,的最右边的位置  
  7. char ans[1111];  
  8. int T, R, Q, N;  
  9. int lenN;  
  10.   
  11. void out(int len, int R, int low, int pos){  
  12.     if(len<=0) return;  
  13.     int i, tmp;  
  14.     for(i=9; i>=low; --i){//从大到小枚举  
  15.         tmp = (R - ten[len-1] * i % Q + Q) % Q;  
  16.         //在pos右边最近的i,的右边存在[len-1][tmp]的状态,就是i可以  
  17.         if(max(g[len-1][tmp], f[len-1][tmp]) >= nxt[pos][i]+1) break;  
  18.     }  
  19.     ans[lenN-len] = i+'0';  
  20.     out(len-1, tmp, 0, nxt[pos][i]+1);  
  21. }  
  22.   
  23. int main() {  
  24.     scanf("%d", &T);  
  25.     while(T--){  
  26.         scanf("%s%d%d", a+1, &R, &Q);  
  27.         N = strlen(a+1);  
  28.         int i, j;  
  29.         ten[0] = 1%Q;  
  30.         for(i=1; i<=N; ++i) ten[i] = (ten[i-1]*10)%Q;  
  31.         for(i=0; i<=9; ++i) pre[0][i] = 0;  
  32.         for(i=1; i<=N; ++i){  
  33.             for(j=0; j<=9; ++j){  
  34.                 if(a[i]-'0'==j) pre[i][j] = i;  
  35.                 else pre[i][j] = pre[i-1][j];  
  36.             }  
  37.         }  
  38.         for(i=0;i<=9;++i) nxt[N+1][i] = N+1;  
  39.         for(i=N; i>=1; --i){  
  40.             for(j=0; j<=9; ++j){  
  41.                 if(a[i]-'0'==j) nxt[i][j] = i;  
  42.                 else nxt[i][j] = nxt[i+1][j];  
  43.             }  
  44.         }  
  45.   
  46.         for(i=1; i<=N; ++i) for(j=0; j<Q; ++j) f[i][j] = g[i][j] = 0;  
  47.         for(i=1; i<=9; ++i) f[1][i%Q] = max(f[1][i%Q], pre[N][i]);  
  48.         g[0][0] = N+1;  
  49.         g[1][0] = pre[N][0];  
  50.         int len;  
  51.         for(len = 2; len <= N; ++len){  
  52.             for(int i=0; i<Q; ++i){  
  53.                 int pos = max(f[len-1][i], g[len-1][i]);  
  54.                 if(pos<1 || pos>N) continue;  
  55.                 g[len][i] = max(g[len][i], pre[pos-1][0]);  
  56.                 for(j=1; j<=9; ++j){  
  57.                     int ii = (i+j*ten[len-1])%Q;  
  58.                     f[len][ii] = max(f[len][ii], pre[pos-1][j]);  
  59.                 }  
  60.             }  
  61.         }  
  62.   
  63.         //区分f和g两个状态就是为了判断这里,找到最长的没有前导零的状态  
  64.         for(len=N; len>0; --len) if(f[len][R]) break;  
  65.         lenN = len;  
  66.         if(len==0){  
  67.             puts("Not found");  
  68.             continue;  
  69.         }  
  70.   
  71.         out(len, R, 1, 1);  
  72.         ans[lenN] = '\0';  
  73.         puts(ans);  
  74.     }  
  75.     return 0;  
  76. }  
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