Contest1002 - HHU ACM 综合训练1 A题 Kingdom of Black and White(朴素)

2024-01-22 19:32

本文主要是介绍Contest1002 - HHU ACM 综合训练1 A题 Kingdom of Black and White(朴素),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

题意:给定一串01序列,序列的值表示为序列中连续的0或1的个数的平方相加的和。最多可以改变其中一个数字变为0或1,求序列最大值。

思路:很朴素的想法,一开始我以为有什么简便算法,然而并没有= =

首先离散化,数组存储的是连续的0或1的个数,之后对这个数组进行遍历,每次把a[i]+1的平方+a[i+1]-1的平方计算出来的和与a[i]的平方+a[i+1]的平方计算出来的和相比较,若更新后的值大,则更新最大差值。a[i]若为1则需要将a[i]左右相加求平方和并与之前的平方和比大小,依旧需要判断之后更新最大差值。

#include <iostream> 
#include <string.h> 
#include <algorithm> 
using namespace std; 
long long a[100005]; int main(){ int t; //freopen("test.in","r",stdin) ; cin>>t; for(int i=1;i<=t;i++){ int cnt=0; memset(a,0,sizeof(a)); string s; cin>>s; long long sum=0; for(int j=0;j<s.length();j++){ if(j==0) a[cnt]++; else{ if(s[j]==s[j-1]) a[cnt]++; else{ cnt++; a[cnt]=1; } } } for(int j=0;j<=cnt;j++) sum+=a[j]*a[j]; //cout<<sum<<endl; long long maxn=0; for(int j=0;j<=cnt;j++){ if(a[j]==1){ if(j==cnt){ long long NEW = (a[j-1]+1)*(a[j-1]+1); long long OLD = a[j-1]*a[j-1]+1; if(NEW>OLD){ maxn = max(maxn,NEW-OLD); } } else if(j==0){ long long NEW = (a[j+1]+1)*(a[j+1]+1); long long OLD = 1+a[j+1]*a[j+1]; if(NEW>OLD){ maxn = max(maxn,NEW - OLD); } } else{ long long NEW = (a[j-1]+a[j+1]+1)*(a[j-1]+a[j+1]+1); long long OLD = a[j-1]*a[j-1]+1+a[j+1]*a[j+1]; if(NEW>OLD){ maxn = max(maxn,NEW - OLD); } } } } for(int j=0;j<cnt;j++){ long long NEW = (a[j]+1)*(a[j]+1)+(a[j+1]-1)*(a[j+1]-1); long long OLD = a[j]*a[j]+(a[j+1])*(a[j+1]); if(NEW>OLD){ maxn=max(maxn,NEW-OLD); } } sum+=maxn; printf("Case #%d: ",i);   cout<<sum<<endl; }  return 0; 
}  


这篇关于Contest1002 - HHU ACM 综合训练1 A题 Kingdom of Black and White(朴素)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/634019

相关文章

认识、理解、分类——acm之搜索

普通搜索方法有两种:1、广度优先搜索;2、深度优先搜索; 更多搜索方法: 3、双向广度优先搜索; 4、启发式搜索(包括A*算法等); 搜索通常会用到的知识点:状态压缩(位压缩,利用hash思想压缩)。

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

MiniGPT-3D, 首个高效的3D点云大语言模型,仅需一张RTX3090显卡,训练一天时间,已开源

项目主页:https://tangyuan96.github.io/minigpt_3d_project_page/ 代码:https://github.com/TangYuan96/MiniGPT-3D 论文:https://arxiv.org/pdf/2405.01413 MiniGPT-3D在多个任务上取得了SoTA,被ACM MM2024接收,只拥有47.8M的可训练参数,在一张RTX

论文翻译:ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS https://openreview.net/forum?id=KS8mIvetg2 验证测试集污染在黑盒语言模型中 文章目录 验证测试集污染在黑盒语言模型中摘要1 引言 摘要 大型语言模型是在大量互联网数据上训练的,这引发了人们的担忧和猜测,即它们可能已

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering)

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering) Power Iteration Clustering (PIC) 是一种基于图的聚类算法,用于在大规模数据集上进行高效的社区检测。PIC 算法的核心思想是通过迭代图的幂运算来发现数据中的潜在簇。该算法适用于处理大规模图数据,特别是在社交网络分析、推荐系统和生物信息学等领域具有广泛应用。Spa

STL经典案例(四)——实验室预约综合管理系统(项目涉及知识点很全面,内容有点多,耐心看完会有收获的!)

项目干货满满,内容有点过多,看起来可能会有点卡。系统提示读完超过俩小时,建议分多篇发布,我觉得分篇就不完整了,失去了这个项目的灵魂 一、需求分析 高校实验室预约管理系统包括三种不同身份:管理员、实验室教师、学生 管理员:给学生和实验室教师创建账号并分发 实验室教师:审核学生的预约申请 学生:申请使用实验室 高校实验室包括:超景深实验室(可容纳10人)、大数据实验室(可容纳20人)、物联网实验

SigLIP——采用sigmoid损失的图文预训练方式

SigLIP——采用sigmoid损失的图文预训练方式 FesianXu 20240825 at Wechat Search Team 前言 CLIP中的infoNCE损失是一种对比性损失,在SigLIP这个工作中,作者提出采用非对比性的sigmoid损失,能够更高效地进行图文预训练,本文进行介绍。如有谬误请见谅并联系指出,本文遵守CC 4.0 BY-SA版权协议,转载请联系作者并注

生信圆桌x生信分析平台:助力生物信息学研究的综合工具

介绍 少走弯路,高效分析;了解生信云,访问 【生信圆桌x生信专用云服务器】 : www.tebteb.cc 生物信息学的迅速发展催生了众多生信分析平台,这些平台通过集成各种生物信息学工具和算法,极大地简化了数据处理和分析流程,使研究人员能够更高效地从海量生物数据中提取有价值的信息。这些平台通常具备友好的用户界面和强大的计算能力,支持不同类型的生物数据分析,如基因组、转录组、蛋白质组等。

Detectorn2预训练模型复现:数据准备、训练命令、日志分析与输出目录

Detectorn2预训练模型复现:数据准备、训练命令、日志分析与输出目录 在深度学习项目中,目标检测是一项重要的任务。本文将详细介绍如何使用Detectron2进行目标检测模型的复现训练,涵盖训练数据准备、训练命令、训练日志分析、训练指标以及训练输出目录的各个文件及其作用。特别地,我们将演示在训练过程中出现中断后,如何使用 resume 功能继续训练,并将我们复现的模型与Model Zoo中的

多云架构下大模型训练的存储稳定性探索

一、多云架构与大模型训练的融合 (一)多云架构的优势与挑战 多云架构为大模型训练带来了诸多优势。首先,资源灵活性显著提高,不同的云平台可以提供不同类型的计算资源和存储服务,满足大模型训练在不同阶段的需求。例如,某些云平台可能在 GPU 计算资源上具有优势,而另一些则在存储成本或性能上表现出色,企业可以根据实际情况进行选择和组合。其次,扩展性得以增强,当大模型的规模不断扩大时,单一云平