骨牌铺方格java_(杭电 2046)骨牌铺方格

这是一个关于使用Java解决杭电2046题目的博客,题目要求在2×n的长方形方格中用1×2骨牌铺满,输入n并输出铺放方案的总数。博主通过斐波那契数列的递归思想,给出两种递归解法,避免了数据溢出问题,并提供了代码样例。

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

骨牌铺方格

Time Limit: 2000/1000 MS (Java/Others) Memory Limit: 65536/32768 K (Java/Others)Total Submission(s): 68313 Accepted Submission(s): 32884

Problem Description

在2×n的一个长方形方格中,用一个1× 2的骨牌铺满方格,输入n ,输出铺放方案的总数. 例如n=3时,为2× 3方格,骨牌的铺放方案有三种,如下图:

51521ff7a9674f6033b311d69c8b47ed.png

Input

输入数据由多行组成,每行包含一个整数n,表示该测试实例的长方形方格的规格是2×n (0

Output

对于每个测试实例,请输出铺放方案的总数,每个实例的输出占一行。

Sample Input

1

3

2

Sample Output

1

3

2

典型斐波那契类递归问题(倒着看) 假设2 * n的长方形(除去n = 1;n = 2;的特殊情况,它实际就是2 * (n-1)再加上2 * 1的长方形,以此类推......

代码样例(注意类似斐波那契的数列增长很快,注意数据溢出。这里我留了递归的两种解决方法)

#include

using namespace std;

#define N 50

long long nu[N]={1,2};

//long long arrange(int n)

//{

//if(n == 1)

//return 1;

//if(n == 2)

//return 2;

//if(n > 2)

//return arrange(n-1)+arrange(n-2);

//}

int main()

{

int n;

while(scanf("%d",&n) != EOF)

{

if(n > 2)

{

for(int i=2; i < n; i++)

nu[i]=nu[i-1]+nu[i-2];

}

printf("%lld\n",nu[n-1]);

//printf("%lld\n",arrange(n));

}

return 0;

}

附:递归问题相关题目

非常抱歉,我之前提供的代码存在错误。在 PyTorch 中,并没有直接提供离散余弦变换(DCT)的函数。对于 DCT 的实现,你可以使用 `torch.rfft` 函数结合 DCT 系数矩阵来进行计算。 下面是一个修正后的示例代码: ```python import torch import torch.nn as nn import torch.optim as optim # 定义离散余弦变换(DCT)系数矩阵 dct_matrix = torch.zeros(256, 256) for i in range(256): for j in range(256): dct_matrix[i, j] = torch.cos((2 * i + 1) * j * 3.14159 / (2 * 256)) # 定义 OMP 算法 def omp(A, y, k): m, n = A.shape x = torch.zeros(n, 1) residual = y.clone() support = [] for _ in range(k): projections = torch.abs(A.t().matmul(residual)) index = torch.argmax(projections) support.append(index) AtA_inv = torch.linalg.inv(A[:, support].t().matmul(A[:, support])) x_new = AtA_inv.matmul(A[:, support].t()).matmul(y) residual = y - A[:, support].matmul(x_new) x[support] = x_new return x # 加载原始图像 image = torch.randn(256, 256) # 压缩感知成像 measurement_matrix = torch.fft.fft(torch.eye(256), dim=0).real compressed = measurement_matrix.matmul(image.flatten().unsqueeze(1)) # 使用 OMP 进行重构 reconstructed = omp(dct_matrix, compressed, k=100) # 计算重构误差 mse = nn.MSELoss() reconstruction_error = mse(image, reconstructed.reshape(image.shape)) print("重构误差:", reconstruction_error.item()) ``` 在这个示例中,我们手动定义了 DCT 系数矩阵 `dct_matrix`,然后使用 `torch.fft.fft` 函数计算测量矩阵,并进行实部提取。接下来的步骤与之前的示例相同。 请注意,这只是一个示例,用于演示如何使用自定义的 DCT 系数矩阵进行压缩感知成像。在实际应用中,你可能需要根据具体的需求进行调整和优化。
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