UVa 10663 Non-Powerful Subsets

AI 应用开发 × 算法面试题:业务场景实战 12 题【TopK、LRU、RRF 融合、相似度、限流算法,含手撕代码与底层答案】 本文聚焦AI应用岗算法面试新趋势,剖析12道融合业务场景的高频题:从海量日志中挖掘慢查询(分治+小顶堆)、亿级去重(布隆过滤器)、向量与关键词融合排序(RRF)、语义缓存设计(带租户隔离与TTL的LRU)到限流策略(令牌桶+滑动窗口),强调“场景复述→算法选型→手撕代码→生产落地”四步答题框架。突出考察点已从纯算法转向工程权衡、业务理解与系统设计能力,如误判容忍度、实时性与内存预算的平衡,助力开发者应对2026年真实技术挑战。 阅读详情

题目描述

我们定义一个自然数子集为“非幂集”,如果该子集中不存在任何子集(可以是它本身)使得其元素之和等于某个幂数。这里的幂数定义为:对于所有 NNN 和 M≥2M \geq 2M≥2 ,形如 NMN^MNM 的数。注意, 111 不被视为幂数。

给定整数 aaa 和 bbb ,我们的目标是找出区间 [a,b][a, b][a,b] 中满足上述性质的第一个最大子集。子集 XXX 排在 YYY 前面,如果 XXX 中至少存在一个元素小于或等于 YYY 中的每个元素。如果第一个值相同,则输出第二个值更小的解,依此类推。一个子集被称为“最大的”,如果不能再向其中添加任何元素而不破坏性质。

输入格式

输入文件包含多个测试用例,每行一个。每个测试用例包含两个整数 aaa 和 bbb ,满足 1≤a≤b≤10001 \leq a \leq b \leq 10001≤a≤b≤1000 。输入以 EOF\texttt{EOF}EOF 结束。

输出格式

对于每个输入,输出一行,包含属于该子集的数字,按升序排列并用空格分隔。子集至少包含一个元素。

样例输入

2 3
3 20
4 28

样例输出

2 3
3 7 10 11
5 6 7 17 28

题目分析与解题思路

问题理解

我们需要在区间 [a,b][a, b][a,b] 中找到一个满足以下条件的子集:

  1. 非幂性:子集的任何子集(包括自身)的元素之和不能是幂数。
  2. 最大性:不能再向该子集中添加任何 [a,b][a, b][a,b] 中的元素而不破坏非幂性。
  3. 字典序最小:在所有最大子集中,选择“第一个”最大的子集,即按题目定义的偏序关系最小的子集。

题目中的偏序定义可以理解为:比较两个子集排序后的元素序列,按字典序比较,选择较小的那个。

关键观察

  1. 幂数定义:幂数是形如 NMN^MNM 的数,其中 N≥2N \geq 2N≥2 , M≥2M \geq 2M≥2 ,且 111 不是幂数。在区间 [1,1000][1, 1000][1,1000] 中,幂数包括 4,8,9,16,25,27,32,36,49,64,81,100,…4, 8, 9, 16, 25, 27, 32, 36, 49, 64, 81, 100, \ldots4,8,9,16,25,27,32,36,49,64,81,100,… 等。

  2. 单个元素的限制:如果某个数本身就是幂数,那么它绝对不能出现在子集中,因为单个元素就构成了一个子集,其和就是该幂数。

  3. 组合限制:对于子集中的任意多个元素,它们的和不能是幂数。这意味着我们需要避免某些数字组合。

解题策略

由于题目要求的是字典序最小的极大子集,我们可以采用贪心策略:

  1. 按升序处理数字:从 aaa 到 bbb 依次考虑每个数字。
  2. 检查能否加入:对于当前数字 nnn ,检查如果将其加入当前子集,是否会与现有元素形成幂数和。
  3. 加入决策:如果能安全加入,则加入;否则跳过。
  4. 继续处理:处理下一个数字,直到区间结束。

这样得到的子集就是字典序最小的极大子集,因为:

  • 我们总是优先考虑较小的数字
  • 一旦能加入就加入,确保得到的子集在字典序上尽可能小
  • 最终得到的子集是极大的,因为后续数字都不能再加入

检查安全性的方法

我们需要高效地检查加入数字 nnn 是否会破坏非幂性。设当前子集的所有可能的子集和为集合 SSS (包括空集和 000 )。加入数字 nnn 后,新的子集和集合将变为 S∪{n}∪{s+n∣s∈S}S \cup \{n\} \cup \{s + n \mid s \in S\}S∪{n}∪{s+n∣s∈S} 。

检查安全性的条件为:

  • nnn 本身不是幂数
  • 对于所有 s∈Ss \in Ss∈S , s+ns + ns+n 不是幂数

由于 b≤1000b \leq 1000b≤1000 ,最大可能的子集和不超过 1000×1000/2=5005001000 \times 1000 / 2 = 5005001000×1000/2=500500 ,我们可以预处理所有不超过 500500500500500500 的幂数。

算法步骤

  1. 预处理幂数:生成所有不超过 500500500500500500 的幂数。
  2. 对于每个测试用例:
    • 初始化当前子集和集合 S={0}S = \{0\}S={0} (空集的和)
    • 初始化结果集合 R=∅R = \emptysetR=∅
    • 对于 nnn 从 aaa 到 bbb :
      • 如果 nnn 是幂数,跳过
      • 检查对于所有 s∈Ss \in Ss∈S , s+ns + ns+n 是否是幂数
      • 如果没有冲突,将 nnn 加入 RRR ,并更新 S=S∪{n}∪{s+n∣s∈S}S = S \cup \{n\} \cup \{s + n \mid s \in S\}S=S∪{n}∪{s+n∣s∈S}
    • 输出 RRR

复杂度分析

  • 预处理幂数: O(Mlog⁡M)O(\sqrt{M} \log M)O(M​logM) ,其中 M=500500M = 500500M=500500 ,可以接受。
  • 每个测试用例:
    • 最多处理 100010001000 个数字
    • 每次检查时, SSS 的大小最多约 100010001000 (实际上更少,因为很多和会重复)
    • 总操作约 1000×1000=1061000 \times 1000 = 10^61000×1000=106 次,加上集合操作,可以在时限内完成。

实现细节

  • 使用 unordered_set 存储当前子集和集合,实现 O(1)O(1)O(1) 的平均查找和插入。
  • 使用两个 unordered_set 交替更新,避免频繁复制。
  • 预处理幂数数组,实现 O(1)O(1)O(1) 的幂数检查。

参考代码

// Non-Powerful Subsets
// UVa ID: 10663
// Verdict: Accepted
// Submission Date: 2025-12-15
// UVa Run Time: 0.620s
//
// 版权所有(C)2025,邱秋。metaphysis # yeah dot net

#include <bits/stdc++.h>
using namespace std;

const int MAXSUM = 500600;

bool isPower[MAXSUM];

int main() {
    cin.tie(0); cout.tie(0); ios::sync_with_stdio(false);
    // 预处理所有幂数(N^M,N>=2,M>=2)
    for (int n = 2; n * n < MAXSUM; n++) {
        int v = n * n;
        while (v < MAXSUM) {
            isPower[v] = true;
            v *= n;
        }
    }
    
    int a, b;
    while (cin >> a >> b) {
        unordered_set<int> sums[2];  // 两个集合交替使用
        vector<int> r;               // 结果集合
        int u = 0, v = 1;            // 当前和下一个集合的索引
        
        for (int n = a; n <= b; n++) {
            if (isPower[n]) continue;  // n本身是幂数,跳过
            
            // 检查是否安全:对于所有当前和s,s+n不能是幂数
            bool safe = true;
            for (auto s : sums[u]) {
                if (isPower[s + n]) {
                    safe = false;
                    break;
                }
            }
            if (!safe) continue;
            
            // 安全,加入结果
            r.push_back(n);
            
            // 更新子集和集合
            sums[v].clear();
            for (auto s : sums[u]) {
                sums[v].insert(s);
                sums[v].insert(s + n);
            }
            sums[v].insert(n);
            
            // 交换当前和下一个集合
            swap(u, v);
        }
        
        // 输出结果
        if (!r.empty()) {
            cout << r[0];
            for (size_t i = 1; i < r.size(); ++i) {
                cout << ' ' << r[i];
            }
        }
        cout << '\n';
    }
    return 0;
}

总结

本题的关键在于理解题目要求的是字典序最小的极大子集,而不是大小最大的子集。通过贪心策略,按升序处理数字,并检查加入后是否与现有元素形成幂数和,我们可以高效地得到正确答案。使用 unordered_set 存储子集和集合,以及预处理幂数数组,是算法高效运行的关键。

该算法的时间复杂度为 O((b−a+1)⋅∣S∣)O((b-a+1) \cdot |S|)O((b−a+1)⋅∣S∣) ,其中 ∣S∣|S|∣S∣ 是当前子集和集合的大小,对于题目范围完全可行。

Windows 11 上 WSL2 安装 Ubuntu 22.04 保姆级教程(含桌面环境配置) 本文提供在Windows 11上通过WSL2安装Ubuntu 22.04并配置桌面环境的详细教程。涵盖WSL2核心安装、性能调优、Xfce桌面环境部署以及开发环境集成,帮助开发者构建高效、无缝的Windows-Linux混合开发工作站。 阅读详情

相关推荐

4.7W防削顶单声道D类音频功率放大器HT6872介绍

HT6872是一款低EMI,防削顶失真,单声道免滤波D类音频功率放大器。在6.5V电源,10%THD+N,4Ω负载条件下,输出4.71W功率,在各类音频终端应用中维持高效率并提供AB类放大器的性能。

weichen_78的博客 4710

UVa Problem 10038 Jolly Jumpers (快乐的跳跃者)

// Jolly Jumpers (快乐的跳跃者) // PC/UVa IDs: 110201/10038, Popularity: A, Success rate: average Level: 1 // Verdict: Accepted // Submission Date

寂静山林 4610

从零玩转显示屏:手把手教你用Arduino驱动SPI屏幕(附引脚定义图)

本文提供了一份详尽的Arduino驱动SPI屏幕的入门指南。从SPI接口的核心引脚定义(如DC、RESET)与RGB接口的区别讲起,手把手指导硬件连接与软件库配置,并最终通过一个天气显示器实战项目,帮助读者掌握驱动SPI屏幕、显示RGB色彩内容的核心技能。

weixin_29189987的博客 135

UVa Problem 122 - Trees on the level

// UVa Problem 122 - Trees on the level // Verdict: Accepted // Submission Date: 2011-12-25 // UVa Run Time: 0.008s // // 版权所有(C)2011,邱秋。metaphysis # yeah dot net // // [解题方法] // 本题可以归结为数据结构问题。步骤是建立树结

寂静山林 4541

ArcGIS Pro MCP 开源:自然语言驱动的 AI 制图与分析

人工智能与大模型的快速发展,正推动专业软件从“手动操作”走向“自然语言控制”。模型上下文协议(MCP)作为连接 AI 与外部工具的标准接口,类似为 AI 安装的“USB 接口”,让大模型可以通过统一协议调用 GIS 软件能力。基于 ArcPy 构建的 ArcGIS Pro MCP 项目,将复杂的地图制图与空间分析封装为 112 个可被 AI 调用的工具,使文本指令直接驱动软件完成数据加载、符号化、出图乃至叠加统计等任务。对 GIS 工程师、数据分析师与测绘规划从业者而言,该开源项目显著降低专业软件使用门槛,

weixin_29054195的博客 282

解决vscode 连接服务器报错:The remote host may not meet VS Code Server‘s prerequisites for glibc and libstdc++

解决vscode远程连接服务器报错:The remote host may not meet VS Code Server's prerequisites for glibc and libstdc++ (The remote host does not meet the prerequisites for running VS Code Server)

qq_37200100的博客 9917

UVa Problem 10315 Poker Hands (扑克牌型)

// Poker Hands (扑克牌型) // PC/UVa IDs: 110202/10315, Popularity: C, Success rate: average Level: 2 // Verdict: Accepted // Submission Date: 20

寂静山林 3791

WPF实战:HelixToolkit 3D图形开发入门指南

本文详细介绍了如何使用HelixToolkit在WPF中进行3D图形开发,从环境搭建到创建第一个3D程序(如彩色立方体),再到进阶技巧和常见问题排查。通过实战案例和性能优化建议,帮助开发者快速掌握3D场景构建和模型导入技术,提升开发效率。

weixin_29197051的博客 764

UVa Problem 10205 Stack ’em Up (完美洗牌术)

// Stack ’em Up (完美洗牌术) // PC/UVa IDs: 110205/10205, Popularity: B, Success rate: average Level: 1 // Verdict: Accepted // Submission Date:

寂静山林 2935

微观交通流仿真软件:SUMO (Simulation of Urban MObility)_(8).仿真场景创建与编辑

总结文件()包含了仿真过程中的总体统计信息,如车辆生成数、平均速度等。加载总结文件使用Python的提取关键信息通过以上步骤,可以使用SUMO及其相关工具和库创建和编辑交通仿真场景。无论是手动创建、使用工具转换现有数据,还是通过Python脚本自动生成,SUMO都提供了丰富的功能来满足不同需求。此外,Traci库允许在仿真过程中动态调整交通场景,从而实现更精细的控制和优化。最后,通过对输出文件的分析,可以评估仿真结果并进行进一步的改进。

kkchenjj的博客 1275

rk3576 适配以太网(百兆)

百兆以太网,也常被称为快速以太网,是一种在1990年代中期推出的计算机网络技术标准。它相当于把当时主流的10兆以太网速度提升了10倍,最高能提供 100 Mbps 的传输速率,让文件共享、视频传输等网络应用变得流畅许多。它在数据链路层面完全保留了传统以太网的帧格式和MAC机制,这意味着现有的网络软件可以无缝对接,用户从10兆网络升级到百兆网络时,通常只需要更换网卡和集线器/交换机即可,非常方便。 在rk3576平台上,原生以太网接口支持百兆、千兆,还有pcie转换的2.5G。

weixin_35723192的博客 210

UVa Problem 10158 War (战争)

// War (战争) // PC/UVa IDs: 111005/10158, Popularity: B, Success rate: average Level: 3 // Verdict: Accepted // Submission Date: 2011-10-07 /

寂静山林 2843

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")

UVa Problem 10050 Hartals (罢工)

// Hartals (罢工) // PC/UVa IDs: 110203/10050, Popularity: B, Success rate: high Level: 2 // Verdict: Accepted // Submission Date: 2011-05-23

寂静山林 2749

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

UVa Problem 10258 Contest Scoreboard (比赛计分板)

// Contest Scoreboard (比赛计分板) // PC/UVa IDs: 110207/10258, Popularity: B, Success rate: average Level: 1 // Verdict: Accepted // Submission

寂静山林 2456

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

UVa Problem 112 - Tree Summing

// UVa Problem 112 - Tree Summing // Verdict: Accepted // Submission Date: 2011-11-26 // UVa Run Time: 0.304s // // 版权所有(C)2011,邱秋。metaphysis # yeah dot net // // [解题方法] // 本题可以归结为数据结构问题。 // // 使用链表来表

寂静山林 1790

UVa Problem 105 - Skyline Problem

// UVa Problem 105 - Skyline Problem // Verdict: Accepted // Submission Date: 2011-11-22 // UVa Run Time: 0.036s // // 版权所有(C)2011,邱秋。metaphysis # yeah dot net // // [解题方法] // 最初是想把交点都求出来,然后判断交点是否在矩形内

寂静山林 1542

UVa 12674 Go up the Ultras

题目要求找出满足地形突出度≥150000厘米的山峰。关键步骤包括:使用单调栈确定左右第一个更高山峰的位置,通过稀疏表快速查询区间最小值来计算突出度。算法复杂度为O(N log N),适用于大规模数据。需注意严格更高、边界条件等细节。最终输出满足条件的山峰索引。

寂静山林 1202

根号分块及其应用

根号分块是一种将数组分割为$\sqrt{n}$大小块的数据结构,用于高效处理区间查询(如求和、最值)。预处理阶段计算每个块的和或排序块内元素,查询时合并完整块和部分块的结果,将时间复杂度从$O(n)$优化到$O(\sqrt{n})$。该结构支持动态更新,修改元素时只需调整对应块的信息。通过例题展示了其在统计区间内小于某值的元素数量时的应用,利用排序块和二分查找进一步提升效率。根号分块在特定场景下比线段树更灵活,适合处理大规模数据的高频查询问题。

寂静山林 1103

UVa 10030 Computer Dialogue

题目模拟三台计算机之间的逻辑推理过程。服务器从N个文件中选出一个,将文件名和扩展名分别发送给两个客户端。客户端通过交替发送“我不知道”消息来逐步排除可能性。给定消息交换次数M,需确定服务器可能选择的候选文件。算法通过模拟每次消息后的排除过程,逐步缩小候选文件集合,最终输出剩余文件。时间复杂度为O(N×M),适用于题目给定的数据范围。

寂静山林 1066

UVa 1598 Exchange

本文实现了一个订单簿系统,用于处理东北资源交易所的买卖订单。系统支持三种操作:买入(BUY)、卖出(SELL)和取消(CANCEL)。订单匹配遵循价格优先和时间优先原则,当买入价≥卖出价时自动成交。系统维护两个优先队列(买入订单按价格降序,卖出订单按价格升序),并在每次操作后输出交易记录和当前报价(最高买价/最低卖价及其数量)。算法复杂度为O(n^2),适用于n≤10000的场景。代码使用C++实现,通过map和vector高效管理订单状态。

寂静山林 1060

UVa 10234 Frequent Substrings

本文讨论如何统计字符串中出现频率最高的指定长度子串(N-Gram)。核心思路包括将字符串统一转为小写、枚举所有可能子串并用map统计频率,最后选择出现次数最多且字典序最小的子串。算法复杂度为O(L·N logL),适用于长度不超过1000的字符串。实现时需注意处理输入输出细节,如换行符和大小写转换。该问题考察了字符串处理、频率统计和字典序比较的综合能力。

寂静山林 1058

P14361 [CSP-S 2025] 社团招新 解题报告

本题的核心是带限制的贪心。先忽略限制得到理想最优解,再利用反悔机制修正超员部门:将超员部门中“转出损失最小”的成员改派到其他部门。由于总人数为nnn最多只有一个部门会超员,因此只需对该部门进行修正。使用优先队列可以高效地选出损失最小的成员,总复杂度Onlog⁡nOnlogn。

weixin_45254471的博客 320

算法:全景梳理前端项目开发中常用算法合集

本文系统梳理前端高频算法场景,按业务分类汇总10类核心算法:基础查找(哈希、二分)、排序(Timsort、归并)、树结构(DFS/BFS、LCA)、滑动窗口、字符串匹配(正则为主)、节流防抖、虚拟滚动、图算法(Dijkstra、A*)、随机哈希及贪心动态规划。强调前端算法重点在于性能优化与交互流畅,非单纯追求复杂度,推荐优先使用内置方法与成熟库,关键掌握哈希查找、防抖节流、LRU缓存、区间合并、虚拟滚动等必会技能,确保页面不卡顿、响应快。

snow的博客 635

智能体训练-模仿学习-DAgger算法详解与实战

DAgger 用「学习者探索 + 专家标注 + 数据聚合」的简洁思路,优雅地解决了行为克隆的分布偏移问题,并从理论上把复合误差从OϵT2OϵT2降到OϵTOϵT。问题定位准确:明确指出 BC 的失败根源是训练与测试状态分布不一致;方法简单有效:只需在策略访问的状态上补充专家标签;理论保证扎实:通过 no-regret 在线学习框架给出收敛性证明。当然,DAgger 的代价是需要在线访问专家,这在很多真实场景中并不便宜。

qq_42773521的博客 319

算法一千零一夜 · 第三十五夜 · 恢复风暴

第34夜的结尾留了两笔债。一笔是答案的另一半,报告侧敢一把互斥锁都不加地同跑,结构给的那一半当夜讲完,部署给的那一半留到现在。另一笔是 3 个开关,一场风暴。这一夜两笔一起还。

qq_41057763的博客 355
上一篇: UVa 10654 The Uxuhul Voting System
下一篇: UVa 10824 Regular Polygon
寂静山林
博客等级 码龄22年 648粉丝 2077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
⌂ 换网址