AtCoder Beginner Contest 332
E - Lucky bag(简单状态压缩dp)
题目链接
题意:给你n个物品,m个福袋,让你将这n个物品用m个福袋打包(福袋可以为空),让分完之后的总方差最小,输出最小方差。
思路:其实由题目的数据范围,n<=16,可以大概推出应该是状态压缩dp
我们用f [ i ][ j ] 表示当前状态 i (二进制表示),用 j 个袋子的最小平方差
那么我们的答案就是f [(1<<n)-1][ d ]/d;
如何状态计算和状态转移呢
那么应该有两种状态转移
1:第一种就是加空福袋
2:第二种就是f[i][j] = f[i-x][j-1] + f[x][1],其中x为j的子集,就是转移前的一个转态
题解代码
#include <bits/stdc++.h>
using namespace std;
int main(void)
{int n, d, x;long double w[15];long double ave = 0;long double dp[(1 << 15)][16];long double y;cin >> n >> d;for (int i = 0; i < n; i++) // 计算总体均值cin >> w[i], ave += w[i];ave /= ((long double)d);for (int i = 0; i < (1 << n); i++) // 枚举所有状态{y = 0; // 统计该状态下的物品花费for (int j = 0; j < n; j++){if (i & (1 << j))y += w[j];}dp[i][1] = pow(y - ave, 2);for (int j = 2; j <= d; j++) // 进行状态转移{dp[i][j] = dp[i][j - 1] + dp[0][1]; // 1:物品数不变,多了一个空袋子x = i;while (x > 0) // 2:枚举其状态转移的上一个状态,遍历j的i的所有子集{dp[i][j] = min(dp[i][j], dp[i - x][j - 1] + dp[x][1]);x = (x - 1) & i;// cout << x << endl;}}}cout << setprecision(10) << (dp[(1 << n) - 1][d] / ((long double)d)) << endl;return 0;
}
F - Random Update Query
题意:给你一个长度为n为数组,以及m次操作,每次操作给出 l , r , x,将 l 到 r 里面随机一个数改为x,问数组的期望值
思路:其实简单分析一下,可以知道就是涉及加法,乘法双懒标记,以及区间修改,单点查询的线段树,(懒标记维护时先乘后加),就是板子
#include <bits/stdc++.h>
using namespace std;
#define pi acos(-1)
#define xx first
#define yy second
#define endl "\n"
#define lowbit(x) x & (-x)
#define int long long
#define ull unsigned long long
#define pb push_back
typedef pair<int, int> PII;
typedef pair<double, double> PDD;
#define LF(x) fixed << setprecision(x)
#define max(a, b) (((a) > (b)) ? (a) : (b))
#define min(a, b) (((a) < (b)) ? (a) : (b))
#define Yshanqian ios::sync_with_stdio(false), cin.tie(0), cout.tie(0);
const int N = 1e6 + 10, M = 1010, inf = 0x3f3f3f3f, mod = 998244353, P = 13331;
const double eps = 1e-8;
int n, m;
int w[N];
struct node
{int l, r;int sum;int add;int mul;
} tr[N << 2];
int qpow(int a, int b)
{int res = 1;while (b){if (b & 1)res = res * a % mod;a = a * a % mod;b >>= 1;}return res;
}
void change(int u, int ADD, int MUL)
{tr[u].sum = tr[u].sum * MUL % mod + (tr[u].r - tr[u].l + 1) * ADD % mod;tr[u].mul = tr[u].mul * MUL % mod;tr[u].add = (tr[u].add * MUL % mod + ADD) % mod;
}
void pushdown(int u)
{change(u << 1, tr[u].add, tr[u].mul);change(u << 1 | 1, tr[u].add, tr[u].mul);tr[u].add = 0;tr[u].mul = 1;
}
void pushup(int u)
{tr[u].sum = (tr[u << 1].sum + tr[u << 1 | 1].sum) % mod;
}
void build(int u, int l, int r)
{tr[u] = {l, r, 0, 0, 1};if (l == r){tr[u] = {l, r, w[l], 0, 1};return;}int mid = l + r >> 1;build(u << 1, l, mid);build(u << 1 | 1, mid + 1, r);pushup(u);
}
void modify(int u, int l, int r, int ADD, int MUL)
{if (tr[u].l >= l && tr[u].r <= r){change(u, ADD, MUL);return;}pushdown(u);int mid = tr[u].l + tr[u].r >> 1;if (l <= mid)modify(u << 1, l, r, ADD, MUL);if (r > mid)modify(u << 1 | 1, l, r, ADD, MUL);pushup(u);
}
int query(int u, int x)
{if (tr[u].l == x && tr[u].r == x)return tr[u].sum;pushdown(u);int ans = 0;int mid = tr[u].l + tr[u].r >> 1;if (x <= mid)return query(u << 1, x);elsereturn query(u << 1 | 1, x);
}
void solve()
{cin >> n >> m;for (int i = 1; i <= n; i++)cin >> w[i];build(1, 1, n);while (m--){int l, r, x;cin >> l >> r >> x;int t = r - l + 1;int p = qpow(t, mod - 2);modify(1, l, r, x * p % mod, (t - 1) * p % mod); // 前面为要加的数,后面为要乘的数}for (int i = 1; i <= n; i++)cout << query(1, i)%mod << ' ';
}
signed main()
{Yshanqian;int T;T = 1;// cin >> T;for (int cases = 1; cases <= T; ++cases){// cout<<"Case #"<<cases<<": ";solve();}return 0;
}
相关文章:
AtCoder Beginner Contest 332
E - Lucky bag(简单状态压缩dp) 题目链接 题意:给你n个物品,m个福袋,让你将这n个物品用m个福袋打包(福袋可以为空),让分完之后的总方差最小,输出最小方差。 思路:其实由题目的数据…...
华为OD试题二(文件目录大小、相对开音节、找最小数)
1. 文件目录大小 题目描述: 一个文件目录的数据格式为:目录id,本目录中文件大小,(子目录id 列表)。其中目录id全局唯一,取值范围[1,200],本目录中文件大小范 围[1,1000],子目录id列表个数[0,10…...
【Spark精讲】Spark作业执行原理
基本流程 用户编写的Spark应用程序最开始都要初始化SparkContext。 用户编写的应用程序中,每执行一个action操作,就会触发一个job的执行,一个应用程序中可能会生成多个job执行。一个job如果存在宽依赖,会将shuffle前后划分成两个…...
Docker容器:Centos7搭建Docker镜像私服harbor
目录 1、安装docker 1.1、前置条件 1.2、查看当前操作系统的内核版本 1.3、卸载旧版本(可选) 1.4、安装需要的软件包 1.5、设置yum安装源 1.6、查看docker可用版本 1.7、安装docker 1.8、开启docker服务 1.9、安装阿里云镜像加速器 1.10、设置docker开机自启 2、安…...
ClickHouse安装和部署
ClickHouse安装过程: ClickHouse支持运行在主流64位CPU架构(X86、AArch和PowerPC)的Linux操作 系统之上,可以通过源码编译、预编译压缩包、Docker镜像和RPM等多种方法进行安装。由于篇幅有限,本节着重讲解离线RPM的安…...
Spring Cloud Gateway中对admin端点进行认证
前言 我们被扫了一个漏洞,SpringBoot Actuator 未授权访问,漏洞描述是这样的: Actuator 是 springboot 提供的用来对应用系统进行自省和监控的功能模块,借助于 Actuator 开发者可以很方便地对应用系统某些监控指标进行查看、统计…...
2. 如何通过公网IP端口映射访问到设备的vmware虚拟机的ubuntu服务器
文章目录 1. 主机设备是Windows 11系统2. 安装vmware虚拟机3. 创建ubuntu虚拟机(据说CentOS 7 明年就不维护了,就不用这个版本的linux了)4. 安装nginx服务:默认端口805. 安装ssh服务:默认端口226. 设置主机 -> ubuntu的端口映射7. 设置路由…...
配置android sudio出现的错误
导入demo工程,配置过程参考: AndroidStudio导入项目的正确方式,修改gradle配置 错误:Namespace not specified. Specify a namespace in the module’s build file. 并定位在下图位置: 原因:Android 大括号…...
【初阶C++】前言
C前言 1. 什么是C2. C发展史3. C的重要性4. 如何学习C 1. 什么是C C语言是结构化和模块化的语言,适合处理较小规模的程序。对于复杂的问题,规模较大的程序,需要高度的抽象和建模时,C语言则不合适。为了解决软件危机, …...
MAC IDEA Maven Springboot
在mac中,使用idea进行maven项目构建 环境配置如何运行maven项目1.直接在IDEA中运行2.使用jar打包后执行 如何搭建spring boot1.添加依赖2.创建入口类3.创建控制器4. 运行5.其他 环境配置 官网安装IDEA使用IDEA的创建新项目选择创建MAEVEN项目测试IDEA的MAVEN路径是…...
Angular13无法在浏览器debug
前言 本文将介绍如何解决在Angular 13中无法在浏览器中进行调试的问题,并提供了一种解决方法。 发生场景 根据项目需求,升级至Angular 13后,发现无法在浏览器中进行调试。 问题原因 无法进行调试的原因是,当使用Angular 13的…...
H.264与H.265(HEVC):视频编码的演进
目录 H.264的发展历程 1. 标准发布 2. 广泛应用 3. 专业化应用 H.265的出现...
Python从入门到精通九:Python异常、模块与包
了解异常 什么是异常 当检测到一个错误时,Python解释器就无法继续执行了,反而出现了一些错误的提示,这就是所谓的“异常”, 也就是我们常说的BUG bug单词的诞生 早期计算机采用大量继电器工作,马克二型计算机就是这样的。 19…...
无需公网IP联机Minecraft,我的世界服务器本地搭建教程
目录 前言 1.Mcsmanager安装 2.创建Minecraft服务器 3.本地测试联机 4. 内网穿透 4.1 安装cpolar内网穿透 4.2 创建隧道映射内网端口 5.远程联机测试 6. 配置固定远程联机端口地址 6.1 保留一个固定TCP地址 6.2 配置固定TCP地址 7. 使用固定公网地址远程联机 8.总…...
机器学习-SVM(支持向量机)
推荐课程:【机器学习实战】第5期 支持向量机 |数据分析|机器学习|算法|菊安酱_哔哩哔哩_bilibili 赞美菊神ヾ ( ゜ⅴ゜)ノ 一、什么是支持向量机? 支持向量机(Support Vector Machine, SVM)是一类按监督学习࿰…...
保姆级:Windows Server 2012上安装.NET Framework 3.5
📚📚 🏅我是默,一个在CSDN分享笔记的博主。📚📚 🌟在这里,我要推荐给大家我的专栏《Windows》。🎯🎯 🚀无论你是编程小白,还是有…...
昇腾910安装驱动出错,降低Centos7.6的内核版本
零、问题描述: 在安装Atlas800-9000服务器的驱动的时候,可能会出现错误:Dkms install failed, details in : /var/log/ascend_seclog/ascend_install.log 如下所示: [rootlocalhost ~]# ./Ascend-hdk-910-npu-driver_23.0.rc3_l…...
LeetCode刷题日志-73矩阵置零
思路一: 用一个同样大小的矩阵记录0的位置,然后遍历矩阵置0, 空间复杂度为O(mn) class Solution {public void setZeroes(int[][] matrix) {int [][] matrix_new new int[matrix.length][matrix[0].length];for(int …...
基于Python+WaveNet+MFCC+Tensorflow智能方言分类—深度学习算法应用(含全部工程源码)(四)
目录 前言引言总体设计系统整体结构图系统流程图 运行环境模块实现1. 数据预处理2. 模型构建3. 模型训练及保存4. 模型生成 系统测试1. 训练准确率2. 测试效果 相关其它博客工程源代码下载其它资料下载 前言 博主前段时间发布了一篇有关方言识别和分类模型训练的博客ÿ…...
文件操作及函数
什么是文件? 在程序设计中,文件有两种:程序文件和数据文件。 程序文件 包括源程序文件(.c),目标文件(.obj),可执行程序(.exe)。 数据文件 文件的内容不一定是程序&…...
【Pygame】第15章 游戏人工智能基础、行为控制与寻路算法实现
摘要 人工智能是游戏开发中的重要组成部分,它能够赋予非玩家角色更自然的行为表现,使游戏世界显得更加真实、生动,并且具有挑战性。 在 2D 游戏中,AI 通常并不追求真正意义上的“智能”,而是通过一系列规则、状态和算…...
基于SpringBoot + Vue的定制化设计服务平台
文章目录前言一、详细操作演示视频二、具体实现截图三、技术栈1.前端-Vue.js2.后端-SpringBoot3.数据库-MySQL4.系统架构-B/S四、系统测试1.系统测试概述2.系统功能测试3.系统测试结论五、项目代码参考六、数据库代码参考七、项目论文示例结语前言 💛博主介绍&#…...
GNU C扩展特性在Linux内核中的高效应用
1. GNU C扩展特性在Linux内核中的应用Linux内核作为开源操作系统的核心组件,其代码质量与性能优化至关重要。内核开发者们充分利用GCC编译器的GNU C扩展特性,实现了许多精妙的设计。这些特性在标准ANSI C中并不存在,但为内核开发提供了极大的…...
深入解析AdaptiveAvgPool2d:从原理到实践
1. 池化技术基础与核心价值 当你第一次听说"池化"这个词时,可能会联想到游泳池或者资源池。但在深度学习领域,池化(Pooling)是一种非常重要的降维操作,它就像一位精明的数据压缩师,能够在不丢失关键信息的前提下&#x…...
告别第三方平台!手把手教你用photo-sphere-viewer在小程序H5里嵌入VR全景图
告别第三方平台!手把手教你用photo-sphere-viewer在小程序H5里嵌入VR全景图 在数字化营销日益重要的今天,VR全景展示已经成为房地产、家居、旅游等行业提升用户体验的标配功能。传统做法是依赖第三方VR云服务平台,但这往往意味着高昂的费用、…...
Unity Package Manager从入门到精通:除了导入Asset Store,你还能这样玩转自定义插件
Unity Package Manager高级指南:解锁自定义插件开发的工程化实践 在Unity开发社区中,Package Manager常被简化为一个"资源商店下载工具",这大大低估了它的真正价值。实际上,UPM(Unity Package Manager&#…...
Infineon BGT60TR13C毫米波雷达Arduino底层驱动详解
1. 项目概述Infineon XENSIV™ BGT60TR13C 是一款集成化60 GHz毫米波雷达传感器芯片,专为低功耗、高精度运动检测与距离测量应用而设计。该器件采用单片集成方案,将60 GHz VCO、发射/接收前端、三通道接收链路(含LNA、Mixer、IF VGAÿ…...
AI大模型学习路线图:小白程序员必看,收藏这份高薪入局指南!
AI大模型学习路线图:小白程序员必看,收藏这份高薪入局指南! 本文提供了一套完整的AI大模型学习路线,涵盖大模型基础认知、核心技术(RAG、Prompt、Agent)、开发基础能力、应用场景落地、项目实操流程及面试求…...
Epigenase m6A 甲基化酶活性/抑制比色法检测试剂盒:快速、灵敏、高通量适配
一、产品概述Epigenase m6A 甲基化酶活性/抑制比色法检测试剂盒,由Cytoskeleton推出,艾美捷代理,它是一套完整的优化缓冲液与试剂组合,专用于定量检测总 m6A 甲基化酶(甲基转移酶)的活性或抑制效果。该试剂…...
2026年4月3日 理论基石:数据量与模型参数量的关系
文章目录1. 理论基石:数据量与模型参数量的关系Kaplan Scaling Laws (OpenAI, 2020)Chinchilla Scaling Laws (DeepMind, 2022)2. 实战计算:针对你的 nanoGPT 实验第一步:估算总 Token 数第二步:计算训练步数 (max_iters)第三步&a…...
