递归---NYOJ-176 整数划分(二)和NYOJ-279队花的烦恼二

本文探讨了一个特定的划分问题,并给出了递归和动态规划两种解决方案。递归方法通过判断条件来确定是否可以将一个数n分成m个部分;而动态规划则构建了一个二维数组用于存储中间结果,从而避免重复计算。

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

这道题目的递归思想和第一个题差不多, 主要思想是:func(n, m)的作用是将n划分为m个。

1. 如果n < m 的时候肯定是不能划分的,所以就返回0

2. 如果m = 1 或者 n = m 的时候,就一种划分方式

3. 如果n > m 的时候, 分为两种情况,一个是划分数中含有1, 一个是不含1, 所以含有1 的个数为func(n - 1, m - 1),意思就是从n去掉1,然后再划分m - 1个, 下面就是不含1的,

func(n - m, m), 这个式子的意思为, 先取出m个1来, 这样的话再将剩下的数,也就是n-m继续划分m个, 然后再把n - m个1加上去,肯定都是大于1的。所以式子为func(n - 1, m -1) + func(n - m, m);

代码如下(递归):

 1 #include <stdio.h>
 2 
 3 int func(int n, int m)
 4 {
 5     if(n < m)//n < m的时候肯定不能分, 所以返回0 
 6         return 0;
 7     if(m == 1 || n == m)
 8         return 1;
 9     else//此步是含1和不含1 
10         return func(n - 1, m - 1) + func(n - m, m);
11 }
12 int main()
13 {
14     int t, n, m;
15     scanf("%d", &t);
16     for(int i = 0; i < t; i++)
17     {
18         scanf("%d %d", &n, &m);
19         printf("%d\n", func(n, m));
20     }
21     
22     return 0;
23 }

 递推式已经出来了,所以可以用dp来做,其中数组dp[n][m]的值就代表n 划分 m 份时的数量, 也就是题目让求的拆分方法的数目,第一层for循环是从1-110个数的划分是多少,第二层是每个数的对应j个拆分方法的数目是多少, 所以最后找n 拆成m 个方法的数目就是dp[n][m];

代码如下(dp):

 1 #include <stdio.h>
 2 #include <string.h>
 3 
 4 const int MAX = 110;
 5 int main()
 6 {
 7     int a[MAX][MAX];
 8     memset(a, 0, sizeof(a));
 9     a[1][1] = 1;
10     for(int i = 2; i < MAX; i++)
11     {
12         for(int j = 1; j <= i; j++)
13             a[i][j] = a[i - 1][j - 1] + a[i - j][j];
14     }
15     int t1, t2, t;
16     scanf("%d", &t);
17     while(t--)
18     {
19         scanf("%d %d", &t1, &t2);
20         printf("%d\n", a[t1][t2]);
21     }
22     return 0;
23 }

 题目279就不能用递归的方法来做了, 毕竟数据比这个大了,只能用第二种方法来做了。只要把第二种方法的MAX改一下就行了

转载于:https://www.cnblogs.com/Howe-Young/p/4063167.html

内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支高频结构先验建模分支结合Transformer模块注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员工程师,尤其是对核磁共振图像超分辨率感兴趣的学者技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
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