当前位置: 首页 > news >正文

NO.90十六届蓝桥杯备战|动态规划-区间DP|回文字串|Treats for the Cows|石子合并|248(C++)

区间dp也是线性dp的⼀种,它⽤区间的左右端点来描述状态,通过⼩区间的解来推导出⼤区间的解。因此,区间DP的核⼼思想是将⼤区间划分为⼩区间,它的状态转移⽅程通常依赖于区间的划分点。
常⽤的划分点的⽅式有两个:

  • 基于区间的左右端点,分情况讨论;
  • 基于区间上某⼀点,划分成左右区间讨论
P1435 [IOI 2000] 回文字串 - 洛谷

先找重复⼦问题定义状态表⽰

  • ⼤问题是让整个字符串[1, n]变成回⽂串的最⼩插⼊次数;
  • 当我们发现这个字符串左右元素⼀样的时候,那就去看看[2, n - 1]变成回⽂的最⼩插⼊次数;
  • 如果左右不相同,那么我们会在左边补上⼀个字符,或者右边补上⼀个字符,然后看看剩下区间的最⼩插⼊次数。
    因此,重复的⼦问题就是看看某个区间变成回⽂串的最⼩插⼊次数。
  1. 状态表⽰:
    dp[i][j]表⽰:字符串[i, j]区间,变成回⽂串的最⼩插⼊次数。
    那么dp[1][n]就是我们要的结果。
  2. 状态转移⽅程:
    根据区间的左右端点,分情况讨论:
    a. 如果s[i] = s[j] :那我们就去看看[i + 1, j - 1]区间的最⼩插⼊次数,即dp[i + 1][j - 1]
    b. 如果s[i] = s[j]
  • 要么去左边补⼀个s[j] ,此时的最⼩插⼊次数为dp[i][j - 1] + 1
  • 要么去右边补⼀个s[i] ,此时的最⼩插⼊次数为dp[i + 1][j] + 1
    因为要的是最⼩值,所以状态转移⽅程为min(dp[i + 1][j], dp[i][j - 1]) + 1
  1. 初始化以及填表顺序:
    我们看dp 表
    ![[Pasted image 20250411164028.png]]

可以发现如下性质:

  • ⽩⾊部分是⽤不到的⾮法区域,因为这个区域中的左端点⼤于右端点,不符合区间的定义;
  • 每⼀个格⼦填表的时候,需要左边的格⼦以及下边的格⼦;
  • 当i=j的时候,填格⼦会⽤到⾮法区域,并且i=1以及i=n的时候会越界,需要特殊处理。
    综上所述:
  • 对于初始化:我们需要初始化对⻆线位置的值。因为对⻆线表⽰⻓度为1的字符串,本⾝就是回⽂串,⾥⾯的值是0即可。
  • 对于填表顺序,我们有两种策略:
    a. 从下往上填写每⼀⾏,每⼀⾏从左往右。这样就能保证在填写[i,j]位置时,[i+1, j]以及[i, j-1]已经被更新过了;
    b. 第⼀维循环:⼩到⼤枚举区间⻓度len (2 <= len <= n);第⼆维循环:枚举区间左端点i;然后计算出区间右端点j = i + len - 1。这样我们填表的时候,就是⼀个对⻆线⼀个对⻆线的填,不会产⽣越界访问的问题。
    对于区间dp的填表顺序,我们⼀般选取第⼆种,会让我们的代码看着很清晰,也⽐较符合区间的推导过程,从⼩区间递推到⼤区间
#include <bits/stdc++.h>
using namespace std;const int N = 1010;int f[N][N];int main()
{ios::sync_with_stdio(false);cin.tie(0);string s; cin >> s;int n = s.size();s = " " + s;for (int len = 2; len <= n; len++) //枚举长度for (int i = 1; i + len - 1 <= n; i++){int j = i + len - 1;if (s[i] == s[j]) f[i][j] = f[i+1][j-1];else f[i][j] = min(f[i+1][j], f[i][j-1]) + 1;}cout << f[1][n] << endl;return 0;
}
P2858 [USACO06FEB] Treats for the Cows G/S - 洛谷

贪⼼:每次都拿两边最⼩的。反例:4, 1, 5, 3 。

  • 贪⼼解:3 × 1 + 4 × 2 + 1 × 3 + 5 × 4 = 34
  • 正解:4 × 1 + 1 × 2 + 3 × 3 + 5 × 4 = 35
    原因是,⿏⽬⼨光。看似当前把最⼩的拿⾛了,但是如果先拿⾛⼀个较⼤的,可能会把更⼩的暴露出来。
    正解还是⽼⽼实实的区间dp :
  1. 状态表⽰:
    dp[i][j]表⽰:把区间[i, j]的零⻝全部拿⾛,最多能得到多少钱。
  2. 状态转移⽅程:
    根据先拿左边还是先拿右边,能分成两种情况讨论:
    a. 先拿左边,然后去[i + 1, j]区间获得最多的钱,即a[i] × (n - len + 1) + dp[i + 1][j]
    b. 先拿右边,然后去[i, j - 1]区间获得最多的钱,即a[j] × (n - len + 1) + dp[i][j - 1]
    因为要的是最多的钱,所以应该是上⾯两种情况的最⼤值。
  3. 初始化:
    当区间⻓度为1 时:dp[i][i] = n × a[i] 。要注意,⻓度为1 ,那就是第n 次拿。
  4. 填表顺序:
    先枚举区间⻓度,再枚举左端点,右端点通过计算
#include <bits/stdc++.h>
using namespace std;const int N = 2010;int n;
int a[N];
int f[N][N];int main()
{ios::sync_with_stdio(false);cin.tie(0);cin >> n;for (int i = 1; i <= n; i++) cin >> a[i];for (int len = 1; len <= n; len++)for (int i = 1; i + len - 1 <= n; i++){int j = i + len - 1;int cnt = n - len + 1;f[i][j] = max(f[i+1][j] + a[i] * cnt, f[i][j-1] + a[j] * cnt);}cout << f[1][n] << endl;return 0;
}
P1775 石子合并(弱化版) - 洛谷
  1. 状态表⽰:
    dp[i][j]表⽰:合并区间[i, j]⽯⼦,最⼩的代价。
    那么dp[1][n]就是结果
  2. 状态转移⽅程:
    根据最后⼀步合并的情况,可以分成j-i种情况。设最后⼀步合并的时候,两个区间的分割点为k,也就是区间被分成[i, k][k + 1, j],此时的最⼩代价为合并左边区间的最⼩代码+合并右边区间的最⼩代价+合并两个区间的代价,即
    dp[i][k] + dp[k + 1][j] + sum[i, k] + sum[k + 1, j]
    其中sum[i, k] + sum[k + 1, j]其实就是整个区间的和,可以⽤前缀和数组预处理⼀下,就可快速求出来。
    因为要的是最⼩代价,所以状态转移⽅程就是所有k 变化范围内的最⼩值。
  3. 初始化:
    区间⻓度为1 的时候,不需要合并,代价为0 。
  4. 填表顺序:
    先枚举区间⻓度,再枚举左端点,右端点通过计算
#include <bits/stdc++.h>
using namespace std;const int N = 310;int n;
int a[N];
int f[N][N];
int sum[N]; //前缀和数组int main()
{ios::sync_with_stdio(false);cin.tie(0);cin >> n;for (int i = 1; i <= n; i++){cin >> a[i];sum[i] = sum[i-1] + a[i];}//初始化memset(f, 0x3f, sizeof f);for (int i = 0; i <= n; i++) f[i][i] = 0;for (int len = 2; len <= n; len++){for (int i = 1; i + len - 1 <= n; i++){int j = i + len - 1;int t = sum[j] - sum[i-1];//枚举分割点for (int k = i; k < j; k++){f[i][j] = min(f[i][j], f[i][k] + f[k+1][j] + t);}}}cout << f[1][n] << endl;return 0;
}
P1880 [NOI1995] 石子合并 - 洛谷

处理环形问题的技巧:倍增。
在数组后⾯,将原始数组复写⼀遍,然后在倍增之后的数组上做⼀次⽯⼦合并(弱化版),就能得到以所有位置为起点并且⻓度为len 的最⼩合并代价

#include <bits/stdc++.h>
using namespace std;const int N = 210;int n, m;
int s[N];
int f[N][N]; //最小
int g[N][N]; //最大int main()
{ios::sync_with_stdio(false);cin.tie(0);cin >> n;for (int i = 1; i <= n; i++){cin >> s[i];//倍增s[i+n] = s[i];}m = n + n;//前缀和for (int i = 1; i <= m; i++){s[i] = s[i-1] + s[i];        }//初始化memset(f, 0x3f, sizeof f);memset(g, -0x3f, sizeof g);for (int i = 1; i <= m; i++){f[i][i] = g[i][i] = 0;        }for (int len = 1; len <= n; len++){for (int i = 1; i + len - 1 <= m; i++){int j = i + len - 1;int t = s[j] - s[i-1];//枚举分割点for (int k = i; k < j; k++){f[i][j] = min(f[i][j], f[i][k] + f[k+1][j] + t);g[i][j] = max(g[i][j], g[i][k] + g[k+1][j] + t);}}}int ret1 = 0x3f3f3f3f, ret2 = -0x3f3f3f3f;for (int i = 1; i <= n; i++){ret1 = min(ret1, f[i][i+n-1]);ret2 = max(ret2, g[i][i+n-1]);        }cout << ret1 << endl << ret2 << endl;return 0;
}
P3146 [USACO16OPEN] 248 G - 洛谷
  1. 状态表⽰:
    dp[i][j]表⽰:将区间[i, j]合并的只剩下⼀个元素后,能得到的最⼤值。
    ⾄于为什么要定义合并剩⼀个元素,因为如果不这样定义,相邻两个区间最⼤值虽然⼀样,但是不⼀定能合并。
    那么dp 表⾥⾯的最⼤值就是结果,因为有些区间可能⽆法合并。
  2. 状态转移⽅程:
    跟⽯⼦合并的讨论⽅式⼀样,根据最后⼀次合并的情况,可以把区间分成[i, k][k + 1, j],要想能够合并,需要满⾜下⾯条件:
    a. 两者合并后的最⼤值⼀致,才能合并:dp[i][k] = dp[k + 1][j]
    b. 合并后的最⼤值不能是0 。如果是0 ,说明根本就不能合并:dp[i][k] != 0
    如果能合并,合并后的最⼤值就是dp[i][k] + 1。那么状态转移⽅程就是所有符合要求的k⾥⾯的最⼤值。
  3. 初始化:
    所有⻓度为1的区间,合并后的最⼤值应该是⾃⼰。所以初始化所有的dp[i][i] = a[i],也就是对⻆线。
  4. 填表顺序:
    先枚举区间⻓度,再枚举左端点,右端点通过计算
#include <bits/stdc++.h>
using namespace std;const int N = 255;int n;
int a[N];
int f[N][N];int main()
{ios::sync_with_stdio(false);cin.tie(0);cin >> n;int ret = 0;for (int i = 1; i <= n; i++){cin >> a[i];f[i][i] = a[i];ret = max(ret, a[i]);}for (int len = 2; len <= n; len++){for (int i = 1; i + len - 1 <= n; i++){int j = i + len - 1;//枚举分割点for (int k = i; k <= j; k++){if (f[i][k] && f[i][k] == f[k+1][j]){f[i][j] = max(f[i][j], f[i][k] + 1);}}ret = max(ret, f[i][j]);}        }cout << ret << endl;return 0;
}

相关文章:

NO.90十六届蓝桥杯备战|动态规划-区间DP|回文字串|Treats for the Cows|石子合并|248(C++)

区间dp也是线性dp的⼀种&#xff0c;它⽤区间的左右端点来描述状态&#xff0c;通过⼩区间的解来推导出⼤区间的解。因此&#xff0c;区间DP的核⼼思想是将⼤区间划分为⼩区间&#xff0c;它的状态转移⽅程通常依赖于区间的划分点。 常⽤的划分点的⽅式有两个&#xff1a; 基于…...

无人机在极端环境材料的选择

一、材料选择与优化 1. 耐低温/高温复合材料 碳纤维增强聚合物&#xff08;CFRP&#xff09;&#xff1a;具备高强度、低膨胀系数特性&#xff0c;适用于极寒&#xff08;-40℃&#xff09;和高温&#xff08;50℃&#xff09;环境&#xff0c;减少因温度变化导致的结构变形。…...

视觉目标检测大模型GAIA

中国科学院自动化研究所智能感知与计算研究中心携手华为等领军企业&#xff0c;共同推出面向产业应用的视觉目标检测全流程解决方案——GAIA智能检测平台。该研究成果已获CVPR 2021会议收录&#xff08;论文链接&#xff1a; 论文地址&#xff1a;https://arxiv.org/pdf/2106.…...

【数据分析实战】使用 Matplotlib 绘制折线图

1、简述 在日常的数据分析、科研报告、项目可视化展示中&#xff0c;折线图是一种非常常见且直观的数据可视化方式。本文将带你快速上手 Matplotlib&#xff0c;并通过几个实际例子掌握折线图的绘制方法。 Matplotlib 是 Python 中最常用的数据可视化库之一&#xff0c;它能够…...

[原创](现代Delphi 12指南): 设置、运行和调试你的第一个macOS应用程序.

[作者] 常用网名: 猪头三 出生日期: 1981.XX.XX 企鹅交流: 643439947 个人网站: 80x86汇编小站 编程生涯: 2001年~至今[共24年] 职业生涯: 22年 开发语言: C/C、80x86ASM、Object Pascal、Objective-C、C#、R、Python、PHP、Perl、 开发工具: Visual Studio、Delphi、XCode、C …...

第一个Qt开发的OpenCV程序

OpenCV计算机视觉开发实践&#xff1a;基于Qt C - 商品搜索 - 京东 下载安装Qt&#xff1a;https://download.qt.io/archive/qt/5.14/5.14.2/qt-opensource-windows-x86-5.14.2.exe 下载安装OpenCV&#xff1a;https://opencv.org/releases/ 下载安装CMake&#xff1a;Downl…...

APCC:CloudberryDB和Greenplum数据库的管理利器

在大数据时代&#xff0c;企业数据量激增&#xff0c;数据库的运维复杂度与日俱增。如何高效管理数据库集群、快速定位问题并保障系统稳定性&#xff0c;成为企业IT团队的核心挑战。Analytical Processing Central Console&#xff08;APCC&#xff09; 应运而生——这是一款专…...

3D打印革新制造范式:CASAIM 3D打印解决方案

在传统制造面临定制化需求激增与供应链效率瓶颈的双重挑战下&#xff0c;3D打印技术正以颠覆性姿态重塑产业格局。CASAIM深耕工业级3D打印领域十余年&#xff0c;以材料科学、工艺控制与数字化设计的深度融合&#xff0c;为航空航天、汽车制造、医疗器械等高精尖行业提供从原型…...

[蓝桥杯]小tips

记得return 0 输入输出 关闭同步流肯定会记得 但是要记得define endl \n 更重要 dfs和string传参的注意 题目链接 #include<bits/stdc.h> using namespace std;//#define int long long using ll long long; using ar2 array<int,2>; using ar3 array<i…...

安宝特案例 | Fundació Puigvert 医院应用AR技术开创尿石症治疗新纪元

案例介绍 在医疗科技不断进步的今天&#xff0c;Fundaci Puigvert 医院迈出了重要一步&#xff0c;成功应用AR技术进行了全球首例同时使用两台内窥镜的ECIRS手术&#xff08;内镜肾内联合手术&#xff09;&#xff0c;由Esteban Emiliani M.D. PhD F.E.B.U 博士主刀。这标志着…...

LangGraph 架构详解

核心架构组件 LangGraph 的架构建立在一个灵活的基于图的系统上&#xff0c;使开发者能够定义和执行复杂的工作流。以下是主要架构组件&#xff1a; 1. 状态管理系统 LangGraph 的核心是其强大的状态管理系统&#xff0c;它允许应用程序在整个执行过程中维护一致的状态&…...

项目学习总结001

1. 策略模式和工厂模式 https://mp.weixin.qq.com/s/RG-h7r69JyKUlBZylJJIFQ 在软件开发中也常常遇到类似的情况&#xff0c;实现某一个功能有多个途径&#xff0c;此时可以使用一种设计模式来使得系统可以灵活地选择解决途径&#xff0c;也能够方便地增加新的解决途径。这就是…...

TGRS 2024 | 基于光谱相关的高光谱图像超分辨率融合网络

10.1109/TGRS.2024.3423422 研究背景及以往方法存在的问题 高光谱图像超分辨率&#xff08;HSI-SR&#xff09;旨在通过融合低空间分辨率 HSI 与高空间分辨率 MSI&#xff0c;提升 HSI 的空间分辨率。现有方法在模态差异处理、波段相关性利用、细节保留等方面存在不足&#x…...

小张的工厂进化史——工厂模式

小张的工厂进化史——工厂模式 一、简单工厂模式&#xff1a;全能生产线二、工厂方法模式&#xff1a;分品牌代工三、抽象工厂模式&#xff1a;生态产品族四、三种模式核心对比表五、结合Spring实现简单工厂&#xff08;实践&#xff09; 小张从华强北起家&#xff0c;最初只有…...

jupyter notebook 无法启动- markupsafe导致

一、运行jupyter notebook和Spyder报错&#xff1a;(已安装了Anaconda&#xff0c;以前可打开) 1.背景&#xff1a;为了部署机器学习模型&#xff0c;按教程直接安装了flask 和markupsafe&#xff0c;导致jupyter notebook&#xff0c;Spyder 打不开。 pip install flas…...

GPT - GPT(Generative Pre-trained Transformer)模型框架

本节代码主要为实现了一个简化版的 GPT&#xff08;Generative Pre-trained Transformer&#xff09;模型。GPT 是一种基于 Transformer 架构的语言生成模型&#xff0c;主要用于生成自然语言文本。 1. 模型结构 初始化部分 class GPT(nn.Module):def __init__(self, vocab…...

数据中台、BI业务访谈(三):如何选择合适的访谈对象

大家在日常中有没有遇到这种情况&#xff0c;感觉所有的事情都准备的很充分了&#xff0c;反复的演练&#xff0c;结果一上去就发现事情完全没有按照自己预想的来。智者千虑&#xff0c;必有一失。满满自信的去&#xff0c;结果是铩羽归来。 这种情况很正常&#xff0c;就跟打…...

计算机网络-TCP可靠传输机制

计算机网络-TCP可靠传输机制 3. TCP可靠传输机制3.1 序列号与确认号机制3.1.1 序列号与确认号的基本概念3.1.2 序列号与确认号的工作原理3.1.3 序列号与确认号在Linux内核中的实现TCP控制块中的序列号和确认号字段序列号的初始化发送数据时的序列号处理接收数据时的确认号处理 …...

计算机网络- 传输层安全性

传输层安全性 7. 传输层安全性7.1 传输层安全基础7.1.1 安全需求机密性&#xff08;Confidentiality&#xff09;完整性&#xff08;Integrity&#xff09;真实性&#xff08;Authenticity&#xff09;不可否认性&#xff08;Non-repudiation&#xff09; 7.1.2 常见安全威胁窃…...

【C++取经之路】lambda和bind

目录 引言 lambda语法 lambda捕获列表解析 1&#xff09;值捕获 2&#xff09;引用捕获 3&#xff09;隐式捕获 lambda的工作原理 lambda进阶用法 泛型lambda 立即调用 lambda 与 function bind语法 bind的调用逻辑 bind核心用途 绑定参数 调整参数顺序 bind的…...

AF3 ProteinDataset类的初始化方法解读

AlphaFold3 protein_dataset模块 ProteinDataset 类主要负责从结构化的蛋白质数据中构建一个可供模型训练/推理使用的数据集,ProteinDataset 类的 __init__ 方法用于初始化一个蛋白质数据集对象。 源代码: def __init__(self,dataset_folder,features_folder="./data/t…...

博客园账户注册全流程指南(附常见问题)

博客园账户注册全流程指南&#xff08;附常见问题&#xff09; 引言 博客园作为国内老牌技术社区&#xff0c;是程序员们分享知识、交流技术的圣地。本文将手把手教你完成从注册到开通博客的全流程&#xff0c;附常见问题解答&#xff0c;助你轻松开启技术博客之旅。 一、注…...

算法复习笔记

算法复习 最大公约数枚举abc反序数 模拟xxx定律打印数字菱形今年的第几天&#xff1f;vector完数VS盈数剩下的树 排序和查找顺序查找二分查找找位置 字符串统计单词浮点数加法 线性数据结构队列约瑟夫问题&#xff08;队列&#xff09;计算表达式&#xff08;栈&#xff09; 递…...

spring boot 引入fastjson,com.alibaba.fastjson不存在(Springboot-测试项目)

spring boot 引入fastjson&#xff0c;com.alibaba.fastjson不存在&#xff08;Springboot-测试项目&#xff09; 先解决最初的的包不找到问题&#xff0c;适用所有包找不到跟进。 <mirrors><!-- mirror| Specifies a repository mirror site to use instead of a g…...

新闻推荐系统(springboot+vue+mysql)含万字文档+运行说明文档

新闻推荐系统(springbootvuemysql)含万字文档运行说明文档 该系统是一个新闻推荐系统&#xff0c;分为管理员和用户两个角色。管理员模块包括个人中心、用户管理、排行榜管理、新闻管理、我的收藏管理和系统管理等功能。管理员可以通过这些功能进行用户信息管理、查看和编辑用…...

UE4 踩坑记录

1、Using git status to determine working set for adaptive non-unity build 我删除了一个没用的资源&#xff0c;结果就报这个错&#xff0c;原因就是这条命令导致的&#xff0c; 如果这个项目是git项目&#xff0c; ue编译时会优先通过 git status检查哪些文件被修改&#…...

【解决方案】vscode 不小心打开了列选择模式,选择时只能选中同一列的数据。

vscode 不小心打开了列选择模式&#xff0c;选择时只能选中同一列的数据。 解决方案&#xff1a; 1.通过命令面板关闭&#xff1a; 按下 Ctrl Shift P&#xff08;Windows/Linux&#xff09;或 Cmd Shift P&#xff08;macOS&#xff09;&#xff0c;输入 切换列选择模式…...

国标GB28181视频平台EasyCVR如何搭建汽车修理厂远程视频网络监控方案

一、背景分析 近年我国汽车保有量持续攀升&#xff0c;与之相伴的汽车保养维修需求也逐渐提高。随着社会经济的发展&#xff0c;消费者对汽车维修服务质量的要求越来越高&#xff0c;这使得汽车维修店的安全防范与人员管理问题面临着巨大挑战。 多数汽车维修店分布分散&#…...

【Go】windows下的Go安装与配置,并运行第一个Go程序

【Go】windows下的Go安装与配置&#xff0c;并运行第一个Go程序 安装环境&#xff1a;windows10 64位 安装版本&#xff1a;go1.16 windows/amd64 一、安装配置步骤 1.到官方网址下载安装包 https://golang.google.cn/dl/ 默认情况下 .msi 文件会安装在 c:\Go 目录下。可自行配…...

Linux 线程:从零构建多线程应用:系统化解析线程API与底层设计逻辑

线程 线程的概述 在之前&#xff0c;我们常把进程定义为 程序执行的实例&#xff0c;实际不然&#xff0c;进程实际上只是维护应用程序的各种资源&#xff0c;并不执行什么。真正执行具体任务的是线程。 那为什么之前直接执行a.out的时候&#xff0c;没有这种感受呢&#xf…...

榕壹云无人共享系统:基于SpringBoot+MySQL+UniApp的物联网共享解决方案

无人共享经济下的技术革新 随着无人值守经济模式的快速发展,传统共享设备面临管理成本高、效率低下等问题。榕壹云无人共享系统依托SpringBoot+MySQL+UniApp技术栈,结合物联网与移动互联网技术,为商家提供低成本、高可用的无人化运营解决方案。本文将详细解析该系统的技术架…...

技术书籍推荐(002):电子书免费下载

20. 利用Python进行数据分析 免费 电子书 PDF 下载 书籍简介&#xff1a; 本书聚焦于使用Python进行数据处理和分析。详细介绍了Python中用于数据分析的重要库&#xff0c;如NumPy&#xff08;提供高效的数值计算功能&#xff0c;包括数组操作、数学函数等&#xff09;、panda…...

安全序列(DP)

#include <bits/stdc.h> using namespace std; const int MOD1e97; const int N1e65; int f[N]; int main() {int n,k;cin>>n>>k;f[0]1;for(int i1;i<n;i){f[i]f[i-1]; // 不放桶&#xff1a;延续前一位的所有方案if(i-k-1>0){f[i](f[i]f[i-k…...

数据可视化 —— 堆形图应用(大全)

一、案例一&#xff1a;温度堆积图 # 导入 matplotlib 库中的 pyplot 模块&#xff0c;这个模块提供了类似于 MATLAB 的绘图接口&#xff0c; # 方便我们创建各种类型的可视化图表&#xff0c;比如折线图、柱状图、散点图等 import matplotlib.pyplot as plt # 导入 numpy 库&…...

利用 pyecharts 实现地图的数据可视化——第七次人口普查数据的2d、3d展示(关键词:2d 、3d 、map、 geo、涟漪点)

参考文档&#xff1a;链接: link_pyecharts 官方文档 1、map() 传入省份全称&#xff0c;date_pair 是列表套列表 [ [ ],[ ] … ] 2、geo() 传入省份简称&#xff0c;date_pair 是列表套元组 [ ( ),( ) … ] 1、准备数据 population_data&#xff1a;简称经纬度 population_da…...

字节跳动开源 LangManus:不止是 Manus 平替,更是下一代 AI 自动化引擎

当 “AI 自动化” 成为科技领域最炙手可热的关键词&#xff0c;我们仿佛置身于一场激动人心的变革前夜。各行各业都在翘首以盼&#xff0c;期待 AI 技术能够真正解放生产力&#xff0c;将人类从繁琐重复的工作中解脱出来。在这个充满无限可能的时代&#xff0c;字节跳动悄然发布…...

第十四届蓝桥杯大赛软件赛省赛C/C++ 大学 A 组真题

文章目录 1 幸运数题目描述&#xff1a;答案&#xff1a;4430091 代码&#xff1a; 2 有奖问答题目描述&#xff1a;重点&#xff1a;答案&#xff1a;8335366 代码&#xff1a; 3 平方差题目描述&#xff1a;思路&#xff1a;数学找规律代码&#xff1a; 4 更小的数题目描述&a…...

springboot+tabula解析pdf中的表格数据

场景 在日常业务需求中&#xff0c;往往会遇到解析pdf数据获取文本的需求&#xff0c;常见的做法是使用 pdfbox 来做&#xff0c;但是它只适合做一些简单的段落文本解析&#xff0c;无法处理表格这种复杂类型&#xff0c;因为单元格中的文本有换行的情况&#xff0c;无法对应到…...

静态链接part1

比较多这一部分&#xff0c;包含了编译和链接&#xff0c;书还没看完就先记录一下其中编译的一部分 编译 gcc编译分为预处理、编译、汇编、链接四个步骤 预处理 也称预编译&#xff0c;主要处理的是源代码文件中以“#”开始的预编译指令&#xff0c;这里简单讲一下规则&…...

golang通过STMP协议发送邮件功能详细操作

一.简介 在 Go 语言中接入 IMAP 和 SMTP 服务来进行邮件的发送和接收操作,可以通过使用一些现有的第三方库来简化操作,常见的库有 go-imap 和 gomail&#xff0c;它们可以帮助我们连接和操作 IMAP 邮箱&#xff08;读取邮件&#xff09;以及通过 SMTP 发送邮件 二.实现 1. IMA…...

分布式锁在秒杀场景中的Python实现与CAP权衡

目录 一、分布式锁的前世今生 二、秒杀系统的 “硬核” 挑战 三、Python 实现分布式锁的 “实战演练” Redis 实现:快准狠 ZooKeeper 实现:稳如老狗 数据库实现:老实本分 四、CAP 理论的 “三角恋” 五、性能优化的 “锦囊妙计” 锁粒度控制:粗细有道 超时机制:别…...

数据驱动的温暖守护:智慧康养平台如何实现 “千人千面” 的精准照护?

在当今数字化时代&#xff0c;七彩喜智慧康养平台借助数据的力量&#xff0c;正逐步打破传统养老服务模式的局限&#xff0c;实现 “千人千面” 的精准照护。 通过收集、分析和利用大量与老年人相关的数据&#xff0c;这些平台能够深入了解每位老人的独特需求&#xff0c;并据…...

基于SSM的校园美食交流系统

作者&#xff1a;计算机学姐 开发技术&#xff1a;SpringBoot、SSM、Vue、MySQL、JSP、ElementUI、Python、小程序等&#xff0c;“文末源码”。 专栏推荐&#xff1a;前后端分离项目源码、SpringBoot项目源码、Vue项目源码、SSM项目源码、微信小程序源码 精品专栏&#xff1a;…...

多线程进阶

进阶的内容&#xff0c;就关于线程的面试题为主了&#xff0c;涉及到的内容在工作中使用较少&#xff0c;但面试会考&#xff01;&#xff01;&#xff01; 锁的策略 加锁的过程中&#xff0c;在处理冲突的过程中&#xff0c;涉及到的一些不同的处理方法&#xff0c;此处的锁…...

聊一聊接口测试时遇到第三方服务时怎么办

目录 一、使用 Mock 或 Stub 模拟第三方服务 二、利用第三方服务的沙箱&#xff08;Sandbox&#xff09;环境 三、测试隔离与数据清理 四、处理异步回调 五、容错与异常测试 六、契约测试 在我们进行接口测试时&#xff0c;有的时候会遇到要调用第三方服务即外部的API&am…...

《Python星球日记》第22天:NumPy 基础

名人说&#xff1a;路漫漫其修远兮&#xff0c;吾将上下而求索。—— 屈原《离骚》 创作者&#xff1a;Code_流苏(CSDN)&#xff08;一个喜欢古诗词和编程的Coder&#x1f60a;&#xff09; 目录 一、NumPy 简介1. 什么是 NumPy&#xff1f;为什么使用 NumPy&#xff1f;2. 安…...

Spring Boot 中 Bean 的生命周期详解

Spring Boot 中 Bean 的生命周期详解 一、引言 在 Spring Boot 应用中&#xff0c;Bean 是构成应用程序的基础组件。理解 Bean 的生命周期对于开发高效、稳定的 Spring Boot 应用至关重要。本文将深入探讨 Spring Boot 中 Bean 的完整生命周期过程。 二、Bean 生命周期的基本…...

结构化需求分析:功能、数据与行为的全景建模

目录 前言1 功能模型&#xff1a;数据流图&#xff08;DFD&#xff09;的结构与应用1.1 数据流图的基本构成要素1.2 数据流图的层次化设计1.3 数据流图的建模价值 2 数据模型&#xff1a;ER图揭示数据结构与关系2.1 ER图的基本组成2.2 建模过程与注意事项2.3 数据模型的价值体现…...

OpenCompass模型评估

OpenCompass面向大模型的开源方和使用者&#xff0c; 提供开源、高效、全面的大模型评测开放平台。 一、OpenCompass文档 1.基础安装 使用Conda准备 OpenCompass 运行环境&#xff1a; conda create --name opencompass python3.10 -y conda activate opencompass2. 安装 Op…...

基于51单片机语音实时采集系统

基于51单片机语音实时采集 &#xff08;程序&#xff0b;原理图&#xff0b;PCB&#xff0b;设计报告&#xff09; 功能介绍 具体功能&#xff1a; 系统由STC89C52单片机ISD4004录音芯片LM386功放模块小喇叭LCD1602按键指示灯电源构成 1.可通过按键随时选择相应的录音进行播…...