信息学奥赛一本通 1920:【02NOIP普及组】产生数 | 洛谷 P1037 [NOIP2002 普及组] 产生数

P1037 [NOIP2002 普及组] 产生数 P1037 [NOIP2002 普及组] 产生数 思路 这个题是一个排列组合问题, 以这样一组数据为例: 12040 7 1 2 1 3 4 1 2 5 5 3 4 6 6 0 1可以变成2、3,2又可以变成5,共有1(不变)、2、3、5四个可能数字; 同理,2有2、5、3三个可能数字。 3不能变成其他数字,只有一个可能数字。 4可以变成4、1、2、3、5五个可能数字。 5可以变成5、3两个可能数字。 6不能变成其他数字,只有一个可能数字。 0可以变成0、6两个可能数字。 在12040这个数字中,每个 阅读详情

【题目链接】

ybt 1920:【02NOIP普及组】产生数
洛谷 P1037 [NOIP2002 普及组] 产生数

【题目考点】

1. 组合数学:乘法原理
2. 高精度
3. 图论

【解题思路】

可以认为存在0到9共10个顶点。如果存在规则:数字i可以变为j,那么顶点i到顶点j有一条有向边。
设数组c, c i c_i ci​表示数字i经过有限次变化后可以变成几种数字(包括数字i)。

假设有规则:1->2, 1->3, 2->5, 5->1。
那么数字1经过有限次变化后可以成为1,2,3,5,共4种;2经过有限次变化后可以成为:2,5,1,3,共4种。

在图中, c i c_i ci​即为从顶点i出发进行搜索可以访问到的顶点数量。
分别从顶点0到顶点9出发进行深搜,搜索的过程中统计访问到的顶点数量,得到c数组。

输入整数n,由于n最大为 10 30 10^{30} 1030,因此需要使用高精度数保存数值n。
设一个数组保存高精度数,下标0位置保存数的位数,下标从1开始从低位到高位保存每位数。
n i n_i ni​表示整数n的第i位数字(最低位为第1位),整数n共有 l e n len len位。
第1位可以取的数字种类数为 c n 1 c_{n_1} cn1​​
第2位可以取的数字种类数为 c n 2 c_{n_2} cn2​​
…
第 n 0 n_0 n0​位可以取的数字种类数为 c n l e n c_{n_{len}} cnlen​​

根据乘法原理,整数n的种类数为整数n的每一位可以变为的数字种类数相乘,因此结果为 c n 1 ⋅ c n 2 ⋅ . . . ⋅ c n l e n c_{n_1}\cdot c_{n_2}\cdot...\cdot c_{n_{len}} cn1​​⋅cn2​​⋅...⋅cnlen​​
由于1个数字最多可以变为10个数字(包括变为自己),最多有30位。结果最大为 10 30 10^{30} 1030,需要使用高精度数来进行计算,高精度数数组长度设为35,计算过程中需要用到高精乘以低精。

【题解代码】

解法1:
#include <bits/stdc++.h>
using namespace std;
#define N 35
struct HPN
{
	int a[N] = {};
	HPN(){}
	HPN(int n)
	{
		do
		{
			a[++a[0]] = n%10;
			n /= 10;
		}while(n > 0);
	}
	void setLen(int i)
	{
		while(i > 1 && a[i] == 0)
			i--;
		a[0] = i;
	}
	void operator *= (int b)//高精乘以低精 
	{
		int c = 0, i;
		for(i = 1; i <= a[0]; ++i)
		{
			a[i] = a[i]*b+c;
			c = a[i]/10;
			a[i] %= 10;
		}
		while(c > 0)
		{
			a[i++] = c%10;
			c /= 10;
		}
		setLen(i);
	}
	void show()
	{
		for(int i = a[0]; i >= 1; --i)
			cout << a[i];
	}
};
string s;
int k, c[10];//c[i]:数字i能变成几种数字(包括自己) 
vector<int> edge[10];
bool vis[10];
void dfs(int u, int i)//当前在看数字i 
{
	vis[u] = true;
	c[i]++;//从i出发能访问到的数增加1 
	for(int v : edge[u]) if(!vis[v])
		dfs(v, i);
}
int main()
{
	int x, y;
	HPN r(1);
	cin >> s >> k;
	for(int i = 1; i <= k; ++i)
	{
		cin >> x >> y;
		edge[x].push_back(y);
	}
	for(int i = 0; i <= 9; ++i)
	{
		memset(vis, 0, sizeof(vis));
		dfs(i, i);//求c[i] 
	}
	for(int i = 0; i < s.length(); ++i)
		r *= c[s[i]-'0'];
	r.show();
	return 0;
}
信息学奥赛一本通题解 @【信息学奥赛一本通】题解+解析 目录TOC 【语言算法基础篇】 题目答案+详解 基础(一) C++语言 第一章 C++语言入门 第二章:顺序结构程序设计 第三章 程序的控制结构 第四章 循环结构的程序设计 第五章 数组 第六章 函数 ... 阅读详情

相关推荐

三维荧光光谱(EEM)散射干扰实战:从识别到精准切除的完整流程

本文详细解析三维荧光光谱(EEM)中散射干扰的识别与精准切除流程,涵盖瑞利散射和拉曼散射的实战处理技巧。通过drEEM工具箱的应用示例和高级场景解决方案,帮助研究者有效消除散射干扰,提升数据准确性,特别适用于环境样品和生物活体样本分析。

weixin_42554042的博客 330

1920:【02NOIP普及组】产生数

题干在这里:看我看我 这道题事实上有多种解法(有的可能无法拿满): 1.深搜,列举出每个数的状态 2.广搜,具体代码看这道题 3.

jqsh_的博客 1389

电表协议避坑指南:DLT645-2007与Modbus RTU的5大核心差异对比

本文深入对比了DLT645-2007与Modbus RTU两大电表通讯协议的核心差异,涵盖协议定位、数据地址、报文结构及实测性能。DLT645-2007作为电力行业标准,数据定义统一但效率受限;Modbus RTU作为通用协议,灵活高效但需依赖厂家点表。文章结合实测数据与开发经验,为不同场景下的协议选型与编程实践提供了清晰的避坑指南。

weixin_29166013的博客 110

[NOIP2002 普及组] 产生数

i++){//这里是搜索str中的每一个数,所以要ans重置为0,vis也要重置。//先将t[0]作为第一个参数,即一个数组。//用来存某个数字可以变到另一个数字,表示从m[i]变化到n[i]vis[c]=true;//标记str中的某一位已走过。//建立可到达的对应关系。t[i]=1+ans;//还要加上它本身,所以加一。//存str中每个数字的变换种类。//高精度:计算A和b的乘积。

m0_74821245的博客 621

华为模拟器eNSP练习题 - HCIA综合实验

华为模拟器eNSP练习题 - HCIA综合实验 题目要求 ISP路由器只能配置IP地址,之后不得进行其他任何配置; 整个内部网络基于192.168.1.0/24进行地址规划; R1/R2之间启动OSPF协议,单区域; PC1-PC4自动获取IP地址; PC1不能telnet R1,PC1外的其他内网pc可以; PC1-PC4可以访问PC5,R2的公网接口只拥有一个公有IP12.0.0.1; 外部的client可以通过域名www.ensp.com访问http server; ISP路由telnet 12.0

炸鸡店老板z的博客 9889

车载导航GPS欺骗

因此,如果我们能够模拟卫星信号,将模拟的信号通过信号发射装置发送给GPS传感器,那么就有可能实现欺骗GPS传感器获取虚假的位置信息,这种技术即SDR(软件无线电,Software Defined Radio)[2]。究其原因,在不使用时钟模块的条件下,HackRF发送信号的频率可能不十分精准,因此GPS传感器接收到信号之后可能无法正常解析GPS信号,因此时钟信号可能是HackRF进行GPS欺骗的关键。2)HackRF是否使用了时钟模块,时钟模块决定了信号发送频率的精准程度,对实验的成败也是至关重要的。

2503_90751789的博客 1327

2002NOIP普及组真题 3. 产生数

具体方法:对 0 ~ 9 每一个数字执行一次 dfs,统计该数字发生的变体数量(最终要加上自己,比如 2 →3,3 →5,则最终该位置有 3 种数字的变体(分别为3,5和自身2)),所以 n 的位数可达31位,每一位都有 [1 ~ 10] 种变体,所以 10*10*10…为 2*2*2 = 8 种。故,只要求出每一位数字有多少种变体即可。3、最终结果 = 每一位变体数量的乘积。如 2*2*2 = 8 种。1、如果一个数字有 3 位,每位有 2种可能性,则数字的。4、最后注意结果为逆序输出。

weixin_40252159的博客 791

Zemax新手别慌!一文搞懂几何像差:从球差、慧差到色差的实战识别与优化

本文为Zemax新手提供几何像差实战指南,详细解析球差、彗差和色差的识别与优化方法。通过软件操作关键节点和实际项目决策逻辑,帮助光学设计师快速掌握像差诊断与优化技巧,提升光学设计效率。

weixin_42524708的博客 262

【洛谷 P1037】[NOIP2002 普及组] 产生数 题解(图论+深度优先搜索+排列组合+高精度)

给出一个整数n和k个变换规则。n234k2。2⟶53⟶6上面的整数234234534264564共4种不同的产生数。现在给出一个整数n和k个规则。求出经过任意次的变换(0次或多次),能产生出多少个不同整数。仅要求输出个数。

HEX9CF的技术博客 825

【论文复现】自动化细胞核分割与特征分析

HoVer-Net是一种精心设计的多分支深度学习网络架构,专为处理复杂的多组织显微图像中的细胞核实例分割与精确分类任务而开发。该网络通过创新的策略,不仅有效解决了细胞核在密集聚集区域难以准确区分的问题,还实现了对每个独立细胞核类型的细致分类。此外,HoVer-Net还引入了专门的上采样分支,这一设计旨在对每个成功分割出的细胞核实例进行进一步的核类型分类。这一分支利用高级语义信息,结合精心设计的分类策略,能够准确判断每个细胞核的所属类型,为医学研究提供了宝贵的细胞水平信息。

2201_75366661的博客 1981

别再瞎试了!用Python+正交设计,5分钟搞定你的多因素实验方案

本文介绍了如何利用Python和正交设计高效优化多因素实验方案。正交设计通过精心设计的正交表,用最少的实验次数覆盖所有因素的水平组合,显著提升实验效率。文章详细讲解了正交设计的核心优势、Python实现工具链、实验实施与数据分析方法,以及高级技巧与常见问题解决方案,帮助读者快速掌握这一强大的实验优化技术。

weixin_42526087的博客 336

信息学奥赛一本通 1037:计算2的幂 | OpenJudge NOI 1.3 20

【题目链接】 ybt 1037:计算2的幂 OpenJudge NOI 1.3 20:计算2的幂 【题目考点】 1. 不同整型数据的范围 类型 占用字节数 可表示数字范围 char 1 -127~128 short 2 -32,768~32,767 unsigned short 2 0~65,535 int 4 -2,147,483,648~2,147,483,647 unsigned int 4 0~4,294,967,295 long long 8 -9,223,37

君义NOIP的博客 4962

构建一个基于Simulink的LC滤波器仿真模型

需求分析LC滤波器(Inductor-Capacitor Filter)是一种常见的无源滤波器,广泛应用于电力电子、通信、音频处理等领域。其主要作用是平滑输入信号中的高频谐波成分,保留低频或直流成分,从而提高输出信号的质量。在电力电子系统中,LC滤波器常用于逆变器、整流器等设备的输出端,以减少开关噪声和电磁干扰(EMI),确保输出电压和电流的稳定性。本项目将基于Simulink平台,开发一个完整的LC滤波器仿真模型,涵盖从电源输入到滤波输出的整个过程,并通过PI控制器实现对滤波效果的闭环控制。

MHD0815的博客 744

信息学奥赛一本通 1030:计算球的体积 | OpenJudge NOI 1.3 12:计算球的体积 | 洛谷 B2027 计算球的体积

【题目链接】 ybt 1030:计算球的体积 OpenJudge NOI 1.3 12:计算球的体积 【题目考点】 1. 浮点型常量 如果直接写一个数字,就是一个整型常量,如:10。 如果要表示一个浮点型常量,数字中必须要有小数点,或者是科学计数法,如:10.0,1e2 没有后缀的浮点型常量为双精度浮点型(double型) 添加后缀f,该浮点型常量为单精度浮点型(float型),如10.0f 2. 计算表达式的运算顺序 注意:只要两个整型量用/连接起来,默认进行整除运算 对于相同优先级的运算,表达式从左到右

君义NOIP的博客 4465

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

信息学奥赛一本通第1037题

给定非负整数nn,求2n2n的值,即22的nn次方。一个整数,即22的nn次方。1037:计算2的幂。

lixuean0408的博客 681

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

[NOIP 2002普及组]产生数(floyd+高精度)

https://www.luogu.org/problem/P1037 题目描述 给出一个整数 n(n<1030) 和 k 个变换规则(k<=15)。 规则: 一位数可变换成另一个一位数:规则的右部不能为零。 例如:n=234。有规则(k=2): 2-> 5 3-> 6 上面的整数 234 经过变换后可能...

weixin_30299539的博客 479

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")

信息学奥赛一本通:1037:计算2的幂

反正又不能是负值,用unsigned 无符号变量就行。给定非负整数n,求2的n次方。一个整数,即2的n次方。

ffsdfg的博客 827

CodeVS1009[NOIP2002(普及组)] 产生数【Floyd】

CodeVS 1009/NOIP 2002

中国计算机学会成都七中(高新校区)委员会委员活动室 536

洛谷P1028 [NOIP2001 普及组] 数的计算

给出正整数 n,要求按方式构造数列

想要AC的sjh的博客空间 500

信息学奥赛一本通 1361:产生数(Produce)

ybt 1361:产生数(Produce) 原题为: 原题整数n的范围为n

君义NOIP的博客 2551

题解|《信息学奥赛一本通》 活动安排

题目描述设有个n活动的集合E={1,2,..,n},其中每个活动都要求使用同一资源,如演讲会场等,而在同一时间内只有一个活动能使用这一资源。每个活动i都有一个要求使用该资源的起始时间s_i 和一个结束时间f_i,且s_i < f_is 。如果选择了活动i,则它在时间区间 [ s_i , f_i ))内占用资源。若区间[ s_i , f_i ) 与区间[ s_j , f_j )不相交...

317

洛谷 P1037 产生数 弗洛伊德和高精度

题目描述给出一个整数 n(n<10^30) 和 k 个变换规则(k<=15)。规则:一位数可变换成另一个一位数:规则的右部不能为零。例如:n=234。有规则(k=2):2->53->6上面的整数 234 经过变换后可能产生出的整数为(包括原数):234 534 264 564 共 4 种不同的产生数问题:给出一个整数 n 和 k 个规则。求出:经过任意次的变换(0次或多次),能产生出多少个不同整数。

Panda!!!!!! 762

P1037 [NOIP2002 普及组] 产生数 python 题解

本题就是基本的dfs,对每一个数遍历深搜,得到他能变化的所有情况,最后相乘就是结果,网上都是c的解法,需要用到高精度,但是python可以处理大数,不需要。遍历3: 1->3 不匹配,下一个 ,3->4, x[i]==3,且vis[4]没有使用过,加一,然后退出,加上自身就是一种就是2次。​ 然后继续,4没有遍历过,且x[i]==3 所以3变成4,遍历完,退出。在遍历2: 遍历x ,y. 没有x[i]==2,退出。​ 变换了2次,加上自身就是一种就是3次。代表1可以变成y[i],就是3。

2201_75325396的博客 1084

信息学奥赛一本通 题目列表第二页合辑(1036-1072)

假设鸡尾酒疗法的有效率为x,新疗法的有效率为y,如果y-x大于5%,则效果更好,如果x-y大于5%,则效果更差,否则称为效果差不多。有一个正方形,四个角的坐标(x,y)分别是(1,-1),(1,1),(-1,-1),(-1,1),x是横轴,y是纵轴。如果点在正方形内,则输出yes,否则输出no。例如,字符A的ASCII值是65,则输出YES,若输入字符B(ASCII值是6666),则输出NO。如果不能则输出NO。计算非负整数m到n(包括m和n)之间的所有奇数的和,其中,m 不大于 n,且n 不大于300。

2303_77169502的博客 1332

[noip2002] 产生数

题目描述 给出一个整数 n (n<1030)和 k个变换规则 (k < 15)。 规则: 一位数可变换成另一个一位数: 规则的右部不能为零。 例如:n = 234。有规则( k=2): 2-> 53-> 6上面的整数 234经过变换后可能产生出的整数为(包括原数): 234 534 264 564 共44种不同的产生数 问题: ...

weixin_34392435的博客 357
上一篇: 信息学奥赛一本通 1361:产生数(Produce)
下一篇: 信息学奥赛一本通 1362:家庭问题(family)
君义_noip
博客等级 码龄16年 5104粉丝 935原创
评论 1
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