zoj 浙大ACM1005

本文介绍了一个经典的两罐倒水问题,并提供了一种简洁的解决方案。通过判断目标水量与罐子容量的关系,利用循环逻辑实现了从一个罐子向另一个罐子倒水的过程,直至达到目标水量。

 额,这个题目其实以前就做过,当时感觉好复杂啊,所以就没有仔细想过。今天重新拾起久违的ACM,发现此题貌似当需要容量大于A罐容量时,只要沿着从B罐向A罐的方向一直进行,就会有最后的结果(小于A罐时方向相反)。

终于明白,有些事,远没有你想想的那么复杂。。。。。

 

#include <iostream>
using namespace std;
int main()
{
    int Ca,Cb,Cc,Ra,Rb;
    while(cin>>Ca>>Cb>>Cc)
    {
        Ra=Rb=0;
        if(Cb==Cc)
        {
            cout<<"fill B"<<endl;
            cout<<"success"<<endl;
            continue;
        }
        if(Ca==Cc)
        {
            cout<<"fill A"<<endl;
            cout<<"pour A B"<<endl;
            cout<<"success"<<endl;
            continue;
        }
        while(Rb!=Cc)
        {
   if(Ca<Cc)
   {
            if(Rb==0)
            {
                cout<<"fill B"<<endl;
                Rb=Cb;
            }
            if(Ra==Ca)
            {
                cout<<"empty A"<<endl;
                Ra=0;
            }
            if(Rb>=(Ca-Ra))
                {
                    Rb-=(Ca-Ra);
                    Ra=Ca;
                }
            else
                {
    Ra+=Rb;
                Rb=0;
                }
            cout<<"pour B A"<<endl;
        }
 else{

  if(Ra==0)
            {
                cout<<"fill A"<<endl;
                Ra=Ca;
            }
            if(Rb==Cb)
            {
                cout<<"empty B"<<endl;
                Rb=0;
            }
   if(Ra==Cc)
   {
    cout<<"pour A B"<<endl;
    //cout<<"success"<<endl;
    Rb=Ra;
    continue;
   }
            if(Ra>=(Cb-Rb))
                {
                    Ra-=(Cb-Rb);
                    Rb=Cb;
                }
            else
              {
                   Rb=Rb+Ra;
                    Ra=0;
                }
            cout<<"pour A B"<<endl;
        }
 }
        cout<<"success"<<endl;
 }
    return 0;
}

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