「HAOI 2016」放棋子

本文深入探讨了错位排序算法的实现与应用,通过将矩阵转换为特定形式,解决了从每行选择未出现且不与障碍相同的数字的问题,提供了一个高效的代码实现。

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

题目链接

戳这

前置知识

  • 错位排序

Solution

我们可以观察发现,每一行的障碍位置对答案并没有影响。

于是我们可以将此时的矩阵化成如下形式:
\[ 1\ \ 0\ \ 0\ \ 0\\ 0\ \ 1\ \ 0\ \ 0\\ 0\ \ 0\ \ 1\ \ 0\\ 0\ \ 0\ \ 0\ \ 1 \]

此时障碍列的排列为:
1 2 3 4
于是我们问题可以转化为:
从每行中选出一个\(1\)~\(n\)的没出现的书且和障碍不相同

即:问一个\(1\)~\(n\)的数列的排列与原数列的位置都不相同的个数

所以这就是一个错位排序了,但是为了让代码量变大,便没有模数,所以要打高进度

Code

我不会告诉你我的高进度是copy的模板的

#include<bits/stdc++.h>
using namespace std;
const int MAXN=5005;
struct bign {
    int len, s[MAXN];
    bign () {
        memset(s, 0, sizeof(s));
        len = 1;
    }
    bign (int num) {
        *this = num;
    }
    bign (const char *num) {
        *this = num;
    }
    bign operator = (const int num) {
        char s[MAXN];
        sprintf(s, "%d", num);
        *this = s;
        return *this;
    }
    bign operator = (const char *num) {
        for(int i = 0; num[i] == '0'; num++) ;
        len = strlen(num);
        for(int i = 0; i < len; i++) s[i] = num[len-i-1] - '0';
        return *this;
    }
    bign operator + (const bign &b) const {
        bign c;
        c.len = 0;
        for(int i = 0, g = 0; g || i < max(len, b.len); i++) {
            int x = g;
            if(i < len) x += s[i];
            if(i < b.len) x += b.s[i];
            c.s[c.len++] = x % 10;
            g = x / 10;
        }
        return c;
    }
    void clean() {
        while(len > 1 && !s[len-1]) len--;
    }
    bign operator * (const bign &b) {
        bign c;
        c.len = len + b.len;
        for(int i = 0; i < len; i++) {
            for(int j = 0; j < b.len; j++) {
                c.s[i+j] += s[i] * b.s[j];
            }
        }
        for(int i = 0; i < c.len; i++) {
            c.s[i+1] += c.s[i]/10;
            c.s[i] %= 10;
        }
        c.clean();
        return c;
    }
    string str() const {
        string res = "";
        for(int i = 0; i < len; i++) res = char(s[i]+'0')+res;
        return res;
    }
};
ostream& operator << (ostream &out, const bign &x) {
    out << x.str();
    return out;
}
bign d[2001];
int main() {
    int  n;
    cin>>n;
    d[2]=1;
    for(int i=3; i<=n; i++)
        d[i]=(d[i-1]+d[i-2])*(i-1);
    cout<<d[n];
    return 0;
}

转载于:https://www.cnblogs.com/hbxblog/p/10253205.html

内容概要:本文详细介绍了扫描单分子定位显微镜(scanSMLM)技术及其在三维超分辨体积成像中的应用。scanSMLM通过电调透镜(ETL)实现快速轴向扫描,结合4f检测系统将不同焦平面的荧光信号聚焦到固定成像面,从而实现快速、大视场的三维超分辨成像。文章不仅涵盖了系统硬件的设计与实现,还提供了详细的软件代码实现,包括ETL控制、3D样本模拟、体积扫描、单分子定位、3D重建和分子聚类分析等功能。此外,文章还比较了循环扫描与常规扫描模式,展示了前者在光漂白效应上的优势,并通过荧光珠校准、肌动蛋白丝、线粒体网络和流感A病毒血凝素(HA)蛋白聚类的三维成像实验,验证了系统的性能和应用潜力。最后,文章深入探讨了HA蛋白聚类与病毒感染的关系,模拟了24小时内HA聚类的动态变化,提供了从分子到细胞尺度的多尺度分析能力。 适合人群:具备生物学、物理学或工程学背景,对超分辨显微成像技术感兴趣的科研人员,尤其是从事细胞生物学、病毒学或光学成像研究的科学家和技术人员。 使用场景及目标:①理解和掌握scanSMLM技术的工作原理及其在三维超分辨成像中的应用;②学习如何通过Python代码实现完整的scanSMLM系统,包括硬件控制、图像采集、3D重建和数据分析;③应用于单分子水平研究细胞内结构和动态过程,如病毒入侵机制、蛋白质聚类等。 其他说明:本文提供的代码不仅实现了scanSMLM系统的完整工作流程,还涵盖了多种超分辨成像技术的模拟和比较,如STED、GSDIM等。此外,文章还强调了系统在硬件改动小、成像速度快等方面的优势,为研究人员提供了从理论到实践的全面指导。
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