2021杭电多校第二场 1011——I love max and multiply

5分钟搞定!用FunASR在本地快速部署达摩院Paraformer语音识别模型(附常见问题解决) 本文详细介绍了如何在本地快速部署阿里达摩院开源的Paraformer语音识别模型。通过FunASR工具包,用户可在5分钟内完成环境配置、模型下载与基础识别,并掌握批量处理、性能调优及构建API服务等进阶技巧。文章重点解析了Paraformer的非自回归架构带来的速度优势,并提供了音频格式转换、依赖冲突、显存不足等常见问题的实战解决方案,助力开发者实现高效、离线的语音转写应用。 阅读详情

题目大意

给你两个长度为 nnn 的数组 A、BA、BA、B,求 ∑i=0n−1Ci\sum_{i=0}^{n-1}C_i∑i=0n−1​Ci​,Ck=max{Ai×Bj} i&j≥kC_k=max\{A_i\times B_j\}\ i\&j\geq kCk​=max{Ai​×Bj​} i&j≥k

解题思路

满足条件的 i&j≥ki\&j\geq ki&j≥k 比较难求,我们可以把答案记录到 i&j=ki\&j = ki&j=k 里面去,类似一个dpdpdp。
对于一个二进制数 100100100,A[100]=max{A[101],A[110],A[100]}A[100] = max\{A[101],A[110],A[100]\}A[100]=max{A[101],A[110],A[100]},BBB 同理,这样 i&j=ki\&j = ki&j=k 中压缩的数都满足 i&j≥ki\&j\geq ki&j≥k,这样我们就知道两个数相乘的最大值了。
需要注意的是有负数的情况, 对于一个位置的最大值,需要求 max×min,max×max,min×min,min×minmax\times min, max\times max, min\times min, min \times minmax×min,max×max,min×min,min×min
最后,我们在压缩的时候需要逆序压缩,如果正序压缩的话 000000000 就只继承了 100、010、001100、010、001100、010、001的状态,而逆序的话 100、010、001100、010、001100、010、001 已经继承了其他状态,所以 000000000就能继承到所有的状态,这样才是合理的。

Code

#include <bits/stdc++.h>
#define ll long long
#define qc ios::sync_with_stdio(false); cin.tie(0);cout.tie(0)
using namespace std;
const ll mod = 998244353;
const ll inf = 0x3f3f3f3f;
const ll INF = 0x3f3f3f3f3f3f3f3f;
ll a[1 << 20];
ll b[1 << 20];
ll A[1 << 20];
ll B[1 << 20];
int n;
void solve(){
	cin >> n;
	for (int i = 0; i < n; ++i){
	    cin >> a[i];
		A[i] = a[i];
	}
	for (int i = 0; i < n; ++i){
	    cin >> b[i];
		B[i] = b[i];
	}
	ll m = 1;
	while(m < n) m <<= 1;
	for (int i = n; i <= m; ++i){
	    a[i] = b[i] = inf;
		A[i] = B[i] = -inf;
	}
	for (int i = n-1; i >= 0; --i){
	    for(int j = 1; j < m; j <<= 1){
			if(!(i&j)){
				A[i] = max(A[i], A[i^j]);
				B[i] = max(B[i], B[i^j]);
				a[i] = min(a[i], a[i^j]);
				b[i] = min(b[i], b[i^j]);
			}
		}
	}
	ll tmp = -INF;
	ll ans = 0;
	for(int i = n-1; i >= 0; --i){
		tmp = max(tmp, A[i] * B[i]);
		tmp = max(tmp, A[i] * b[i]);
		tmp = max(tmp, a[i] * B[i]);
		tmp = max(tmp, a[i] * b[i]);
		ans = (ans + (tmp % mod) ) % mod;
	}
	cout << (ans + mod) % mod<< "\n";
}
int main()
{
    #ifdef ONLINE_JUDGE
    #else
       freopen("in.txt", "r", stdin);
       freopen("out.txt", "w", stdout);
    #endif

    qc;
    int T;
    cin >> T;
    while(T--){

        solve();
    }
    return 0;
}

C语言试题四之计算并输出3到n之间所有素数的平方根之和 1、题目 请编写函数function,它的功能是:计算并输出3到n之间所有素数的平方根之和 例子:若我们main函数从键盘给n输入5之后,我们需要输出结果为3.968119 输入值n的要求:正整数n, 要求小于100。 2、部分函数说明 C 库函数 double sqrt(double x) 返回 x 的平方根 3、源代码实现 #include <stdio.h> #... 阅读详情

相关推荐

双RTX 3090实战:如何用vLLM低成本部署Qwen2.5-14B大模型(附避坑清单)

本文详细介绍了如何利用双RTX 3090显卡低成本部署Qwen2.5-14B大模型的完整指南,包括硬件选型、环境配置、vLLM优化及生产环境调优。重点解析了BF16混合精度在显存占用与推理质量上的平衡策略,并提供了实用的避坑清单和性能调优技巧,帮助开发者高效实现大模型部署。

pz890123456的博客 698

HDU6971 I love max and multiply(结论,推导)

题目:Problem - 6971 (dingbacode.com) 题目大意是给出an,bn数组,求一个c数组,其中Ck=max(ai*bj),i&j>=k,最后计算数组的和。首先注意到k可以向前覆盖(规定下标小的在前,大的在后),所以可以先求出i&j==k的情况下的c数组,然后再把大数向前覆盖小数,即从后向前保留最大数。 现在考虑Ck单点的情况,如果Ck是由ai*bj得到,那么i,j的二进制中都要“至少包含”k的二进制,即k的二进制中为1的位,那...

qq_53333451的博客 411

STM32 ST-LINK Utility 无法烧录程序的解决方法

当你打开STM32 ST-LINK Utility,硬件连接好st-link V2,打开了要烧写的文件,点那个Program verify烧录时, 如果出错了: Programming error @ 0x08000000! 我的方法是: 点你想要烧录那个HEX文件的小格,复制 然后去到你前面的文件的格子里,点粘贴: 成功! ...

wocute的博客 9521

2021杭电多校补题(2)

1. I love max and multiply 题意: 给出两个数组aaa和bbb ,定义ccc数组 ck=max(ai⋅bj)c_k =max(a_i \cdot b_j)ck​=max(ai​⋅bj​) 且i&j≥ki \& j \geq ki&j≥k。求∑i=0n−1ci\sum\limits_{i=0}^{n-1} c_ii=0∑n−1​ci​ 题解: 先考虑二进制下 kkk​为 i&ji\&ji&j​ 的子集。 设dp1[i][1]dp1[i]

the best 的博客 296

Coze工作流实战:Coze一键生成沉浸式历史故事视频

【coze工作流实战】一键生成火爆的沉浸式历史故事视频!短短3分钟,顶替你3天的工作量!

bickys的博客 1004

华为OD机考2025B卷 - 报文响应时间(Java & Python& JS & C++ & C )

华为OD机考2025B卷 - 报文响应时间

算法大师! 8083

杭电多校第二场 I love max and multiply

题目如下: 思路: 这道题最暴力的写法是枚举,记录每个i andj的值,然后在每个位置上存最大的。最后从n-1开始跑到0每次加上前面最大值即可。 但是显然会T,有没有一种更快的方法呢? 想到更快的解法关键点就是处理。 我们先给出一个结论:任意两个数and后的值一定比它们都小。 所以我们可以先确定k,再来分析 i 和 j 。 假设k的二进制是,那么 i 和 j 的二进制一定是这种形式:,其中表示可以是0 也可以是 1 。 所以这里提出一个想法:我可以用中的最大值来表示,从而使...

weixin_50547586的博客 319

智能车图像处理1-基础图像规格

从厂家摄像头的库函数中,我们可以直接得到完整图像的灰度数组,经过二值化之后(算力允许,可以考虑大津法),就是我们要处理的0-1二值图像了。本系列所有的文章中,我们的图像规格如下。

taiyuezyh的博客 4319

6971 I love max and multiply 位运算小性质

题意:两个数组a,b,数组ci = max(ai*bj)(同时i&j >= k),求数组c 位运算小性质:当i&j==0时,i xor j >= i, i xor j >= j。 思路:令sum = 2^k >= n, i 从 sum到1枚举,j从2的0次方开始枚举,2的一次方,2的二次方一直到2的k次方,太巧妙了,举个例子,一个二进制数10011000,j == 1的时候会继承10011000,j == 10的时候,他会继承10011010,这时候的10011010

Mamba0Z的博客 290

11、系统稳定性分析与李雅普诺夫函数的应用

本文深入探讨了李雅普诺夫函数在系统稳定性分析中的核心作用,重点介绍了时变与时不变系统的稳定性判据差异,以及巴尔巴拉特引理在处理非自治系统中的应用。文章还阐述了正线性系统与严格正实传递函数的性质及其在非线性控制系统中的重要性,并展示了李雅普诺夫函数在评估主导时间常数和设计快速干扰抑制控制策略方面的实际应用。通过具体示例和流程图,系统地总结了李雅普诺夫方法在稳定性分析、性能评估与控制器设计中的多维度价值,同时指出了当前挑战与未来发展方向。

Jerry的专栏 93

从零到一,打造你的无人机侦察兵!树莓派+Python+MQTT,实时目标检测全攻略

物联网、人工智能与计算机视觉三大前沿技术的深度融合。

u013558123的博客 1473

I love max and multiply HDU - 6971(详细解答)

I love max and multiply HDU - 6971 题意: 数组a和b,现在构造一个数组c,使得c[k]=max(a[i] * b[j]) , i&j>=k 求数组c的和 题解: 我们可以考虑求出所有Dk=max(Ai * Bj)并满足i&j=k,然后再从后向前取,但是i&j=k不好求,那就改成Dk=max(Ai * Bj),满足k∈i&j k∈i&j,我们可以分别求k∈i和k∈j的情况 就比如: k = 1010,k∈i&j, i&a

qq_35975367的博客 744

CAN(2)-GD32

GD32中CAN的特征。

小柚子的博客 553

2021年HDU多校第二场第11题-6971 I love max and multiply

题目大意:给我们两个序列a0~an-1,b0~bn-1,让我们求出一个新的序列c0~cn-1,满足ck=max(ai*bj),i&j>= k。解题思路:如果i&j>=k,那么i和j应该都是大于k的,所以可以转化成i&j>=i&&0

weixin_54562114的博客 283

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

HDU 6971.I love max and multiply

Issue: Thinking: i & j >= k 所以min(i, j) >= k, 故i >= k 并且 j >= k 这里可以用01背包的思想,A[i] = 二进制i为1的位一定为1,其他位可能为1也可能为0的A数组中的最大值 例如i = 100可以由100,101,110,111通过 & 运算得到 因为A[101] = max(A[101], A[111]), 所以A[100] = max(A[100],A[101],A[110]),故要倒序 再举个例子

qq_46907547的博客 258

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

hdu-6971-I love max and multiply SOSdp

hdu-6971-I love max and multiply 题解 #include<bits/stdc++.h> using namespace std; const int mod = 998244353, N = 1 << 19; typedef long long ll; int t, n; int a[N], b[N]; ll c[N]; ll maxa[N], mina[N], maxb[N], minb[N]; int main() { scanf("%

cosx_的博客 433

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

杭电多校 K . I love max and multiply (思维)

链接 题意 \(C_k=max\{A_iB_j\}\), satisfying \((i\&j≥k)\) 让你求\(\sum ^{n−1}_{i=0}C_i mod 998244353\). 思路 我们首先看条件i&j>=k这个范围太大了,我们直接分析i&j=k然后求后缀最大值即可做成上面的结果,之后我们在分析,因为\(A_iB_i\)存在负数,所以我们不仅要维护...

林苏泽 276

I love max and multiply

题目链接 题意:给定两数组AAA,BBB,定义CCC数组为:Ck=max(Ai∗Bj)C_k=max(A_i*B_j)Ck​=max(Ai​∗Bj​),iii&jjj ≥k\geq k≥k,求∑i=1nCi\sum_{i=1}^{n}C_i∑i=1n​Ci​modpmodpmodp 解析:我们定义DDD数组为:Dk=max(Ai∗Bj,Dk+1)D_k=max(A_i*B_j,D_{k+1})Dk​=max(Ai​∗Bj​,Dk+1​),iii&j=kj=kj=k,则Ci=DiC_i=D_i

donnameの博客 216

两个数组之和

题目描述: 给定两个乱序数组,长度分别为M,N,要求打印出和最大的K个数,和是由两个数组中各一个数组相加而得。 输入: 每行数字短横符-分割两个数组,冒号分割:参数K 输出: 输出为和最大得K个数,和是两个数组中各一个数相加而得。 样例输入: 2,4,1,7,7-3,2,5,6,1,9:6 样例输出: 16,16,13,13,13,12 代码: raw=input()...

weixin_41891249的博客 860

杭电多校第二场——I Love Palindrome String(回文树+字符串hash)

http://acm.hdu.edu.cn/showproblem.php?pid=6599 题目描述: 给你一个串,求这个串有多少个本质不同的回文串,并且这些回文串的一半也是回文串。 思路: 这题让我系统了解了一下回文树的操作和功能 求串S前缀0~i内本质不同回文串的个数(两个串长度不同或者长度相同且至少有一个字符不同便是本质不同) 求串S内每一个本质不同回文串出现的次数 求串S内...

Q755100802的博客 369

21hdu多校二

杭电多校第二场 1001 题意是给定一个整数边长的立方体,以其边上的整数点为顶点,有多少个等边三角形,要求三条边在三个坐标平面上。 容易得到,一个单位长度边长的立方体中有8个三角形,只有数共有多少立方体,显然为∑i=1n−1i3\sum^{n-1}_{i=1}i^3∑i=1n−1​i3个 long long inv2=qpow(2,mod-2); per(){ long long n;cin>>n; n--; n%=mod; long long val

qq_35610768的博客 191

HDU - 6971 K - I love max and multiply sosdp

传送门 文章目录题意:思路: 题意: 思路: 直接求i&j>=ki\And j>=ki&j>=k不是很好求,所以转换成i&j=ki\And j=ki&j=k的情况。 考虑对a,ba,ba,b求一遍超集,让后从[0,n−1][0,n-1][0,n−1]扫一遍即可得到i&j=ki\And j=ki&j=k的情况,之后取一个后缀最大值,让后求和即可。 // Problem: K - I love max and multiply // Conte

m0_51068403的博客 447

剑指offer

剑指offer入门斐波那契数列简单用两个栈实现队列旋转数组的最小数字跳台阶扩展问题合并两个排序的链表二叉树的镜像数组中出现次数超过一半的数字连续子数组的最大和第一个只出现一次的字符二叉树的深度平衡二叉树不用加减乘除做加法数组中重复的数字构建乘积数组二叉搜索树的第k个结点 入门 斐波那契数列 题目描述 大家都知道斐波那契数列,现在要求输入一个整数n,请你输出斐波那契数列的第n项(从0开始,第0项为0,第1项是1)。 n≤39 示例1 输入 4 返回值 3 描述 此题是非常经典的入门题了。我记得第一次遇到此题是

红炉一点雪的博客 298

I love max and multiply(杭电多校赛)

题目:https://acm.hdu.edu.cn/showproblem.php?pid=6971 题意:给一个A数组和一个B数组,求出一个C数组,求的方式是,C数组的下标k,A、B数组的下标分别是i、j, Ck=max{Ai*Bj} 并且还要满 足(i&j≥k) 代码: #include <algorithm> #include <bitset> #include <cmath> #include <cstdio> #include <cst

Are_you_ready的博客 491

求两个数组之和

如题:求两个数组之和。例如:输入一个2,2 (2行2列)        元素为: 1,2, 3,4           输入第二个2  2                        元素为: 2,3,4 ,5           输出:3 5 7 9#include &lt;stdio.h&gt; #include &lt;string.h&gt; #include &lt;stdlib.h&...

l8947943的博客 2559

【2021杭电多校赛】2021“MINIEYE杯”中国大学生算法设计超级联赛(2)签到题5题

Solved Pro.ID Title Ratio(Accepted / Submitted) 1001 I love cube 26.49%(880/3322)(递推) 1002 I love tree 22.47%(60/267)(树链剖分)<n条链每次加x^2> 1003 I love playing games 7.96%(9/113) 1004 I love counting 22.74%(78/343)(01字典树)<(区间l,r内xor a)<=b的数个数> 10

小哈里的博客 1253
上一篇: 2021杭电多校第二场 1008——I love exam
下一篇: 2021杭电多校第三场 1003——Forgiving Matching
Linda_yezi_coder
博客等级 码龄7年 20粉丝 88原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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