藍橋杯15屆 寶石組合

問題描述

在一個神秘的森林里,住著一個小精靈名叫小藍。有一天,他偶然發現了一個隱藏在樹洞里的寶藏,里面裝滿了閃爍著美麗光芒的寶石。這些寶石都有著不同的顏色和形狀,但最引人注目的是它們各自獨特的 “閃亮度” 屬性。每顆寶石都有一個與生俱來的特殊能力,可以發出不同強度的閃光。小藍共找到了?N?枚寶石,第?i?枚寶石的 “閃亮度” 屬性值為?Hi?,小藍將會從這?N?枚寶石中選出三枚進行組合,組合之后的精美程度?S?可以用以下公式來衡量:

其中?LCM?表示的是最小公倍數函數。

小藍想要使得三枚寶石組合后的精美程度?S?盡可能的高,請你幫他找出精美程度最高的方案。如果存在多個方案?S?值相同,優先選擇按照?H?值升序排列后字典序最小的方案。

輸入格式

第一行包含一個整數?N?表示寶石個數。

第二行包含?N?個整數表示?N?個寶石的 “閃亮度”。

輸出格式

輸出一行包含三個整數表示滿足條件的三枚寶石的 “閃亮度”。

樣例輸入

5
1 2 3 4 9

樣例輸出

1 2 3

評測用例規模與約定

對于?30% 的評測用例:3≤N≤100,1≤Hi≤1000 。

對于?60%的評測用例:3≤N≤2000 。

對于?100% 的評測用例:3≤N≤10^{5},1≤Hi≤10^{5}?。

1.化簡公式

①根據公式直接化簡:

②推導:

(下面Ha、Hb、Hc表示為H1、H2、H3)

將H1、H2、H3表示成數字相乘的形式,a為H1、H2、H3的最大公約數,b為H1、H2的最大公約數,c為H1、H3的最大公約數,d為H2、H3的最大公約數,efg是H1、H2、H3各自的一部分

H1=abce? ?H2=abdf? ?H3=acdg

S=a^{3}b^{2}c^{2}d^{2}efg*\frac{abcdefg}{abcde*abcdeg*abcdfg}=a

最后的結果就是這三個數的最大公約數

25分代碼:(暴力)

#include<iostream>
#include<algorithm>
using namespace std;const int N = 1e5+10;
int n, a[N];
int max1;  //max 是標準庫 <algorithm> 中定義的一個函數模板
int ans[3];int main()
{ios::sync_with_stdio(0);cin.tie(0);cout.tie(0);cin>>n;for(int i=1; i<=n; ++i) cin>>a[i];for(int i=1; i<=n; ++i){for(int j=i+1; j<=n; ++j){for(int k=j+1; k<=n; ++k){if(i!=j && j!=k && i!=k){int temp = __gcd(a[i], __gcd(a[j], a[k]));if(temp > max1){ max1 = temp;ans[0]=a[i], ans[1]=a[j], ans[2]=a[k];}}}}}sort(ans, ans+3);cout<<ans[0]<<" "<<ans[1]<<" "<<ans[2];return 0;
} 

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/pingmian/75503.shtml
繁體地址,請注明出處:http://hk.pswp.cn/pingmian/75503.shtml
英文地址,請注明出處:http://en.pswp.cn/pingmian/75503.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

Lua:第1-4部分 語言基礎

1 Lua語言入門 1.1 程序段 我們將 Lua 語言執行的每一段代碼&#xff08;例如&#xff0c;一個文件或交互模式下的一行&#xff09;稱為一個程序段 &#xff08; Chunk &#xff09; &#xff0c;即一組命令或表達式組成的序列 。 1.2 一些詞法規范 Lua 語言中的標識符&#…

CTF類題目復現總結-hashcat 1

一、題目地址 https://buuoj.cn/challenges#hashcat二、復現步驟 1、下載附件&#xff0c;解壓得到What kind of document is this_文件&#xff1b; 2、用010 Editor打開What kind of document is this_文件&#xff0c;發現是office文件&#xff1b; 3、將后綴名改為ppt時…

手機歸屬地查詢Api接口,數據準確可靠

手機歸屬地查詢是一項非常實用的功能&#xff0c;它可以幫助我們快速了解一個手機號碼的所屬地區、區號、郵政編碼等信息。在互聯網時代&#xff0c;隨著大數據和人工智能技術的發展&#xff0c;手機歸屬地查詢的API接口也變得越來越普及和便捷。 在本文中&#xff0c;我們將介…

orangepi zero燒錄及SSH聯網

下載對應版本的armbian鏡像 armbian的默認用戶root&#xff0c;默認密碼&#xff1a;1234 下載燒錄工具win32diskimager https://sourceforge.net/projects/win32diskimager/files/Archive/ 插入16G以上TF卡&#xff0c;使用win32diskimager燒錄armbian鏡像 燒錄完畢后用l…

為什么有的深度學習訓練,有訓練集、驗證集、測試集3個劃分,有的只是劃分訓練集和測試集?

在機器學習和深度學習中&#xff0c;數據集的劃分方式取決于任務需求、數據量以及模型開發流程的嚴謹性。 1. 三者劃分&#xff1a;訓練集、驗證集、測試集 目的 訓練集&#xff08;Training Set&#xff09;&#xff1a;用于模型參數的直接訓練。驗證集&#xff08;Validati…

Linux驅動開發 塊設備

目錄 序言 1.塊設備結構 分區(gendisk) 請求(request) 請求隊列 1. 多隊列架構 2. 默認限制與擴展 bio 2.塊設備的使用 頭文件與宏定義 blk-mq 相關結構和操作 塊設備操作函數 模塊初始化函數 模塊退出函數 3.總結 序言 塊設備&#xff08;如硬盤、虛擬盤&#x…

ResNet改進(14):添加 EMA注意力機制提升跨空間學習效率

本專欄代碼均經過測試,可以直接替換項目中的模型,一鍵運行! 采用最新的即插即用模塊,有效漲點!! 1.EMA注意力機制 EMA(Efficient Multi-scale Attention)注意力機制是一種創新的注意力設計,能夠有效提升模型在跨空間學習任務中的表現。以下是對該機制的詳細解析: EM…

計算機硬件——CPU 主要參數

什么是 CPU &#xff1f; CPU 的英文全稱是 Central Processing Unit&#xff0c;即中央處理器。CPU 的內部結構可分為控制單元、邏輯單元和存儲單元三大部分。CPU 的性能大致上反映出了它所配置的微機的性能&#xff0c;因此 CPU 的性能指標十分重要。 CPU 的主要參數 CPU …

針對 Python 3.7.0,以下是 Selenium 版本的兼容性建議和安裝步驟

1. Selenium 版本推薦 最高兼容版本&#xff1a; Selenium 4.11.2&#xff08;官方明確支持 Python 3.7&#xff0c;但需注意部分新功能可能受限&#xff09;。 穩定兼容版本&#xff1a; Selenium 3.141.0&#xff08;經典版本&#xff0c;完全兼容 Python 3.7&#xff0c;適…

stm32 主頻216MHz,寫個ms延時函數,us延時函數

在 STM32 微控制器中&#xff0c;實現精確的 ms&#xff08;毫秒&#xff09;和 us&#xff08;微秒&#xff09;延時函數通常依賴于系統時鐘&#xff08;SysTick&#xff09;或定時器。以下是基于主頻為 216 MHz 的實現方法&#xff1a; 1. 使用 SysTick 實現延時函數 SysTic…

modus開源程序是一個由 WebAssembly 提供支持的構建代理流的框架

一、軟件介紹 文末提供程序和源碼下載 Modus 是一個開源的無服務器框架&#xff0c;用于在 Go 和 AssemblyScript 中構建代理系統和 AI 應用程序。 它簡化了模型、上下文和數據的集成。我們將繼續添加其他功能&#xff0c;以更好地支持工具的構建和調用。 You write a functi…

從零構建大語言模型全棧開發指南:第四部分:工程實踐與部署-4.3.2知識庫增強與外部API集成(代碼示例:HTTP節點與檢索增強生成)

?? 點擊關注不迷路 ?? 點擊關注不迷路 ?? 點擊關注不迷路 文章大綱 知識庫增強與外部API集成:HTTP節點與檢索增強生成實戰4.3.2 知識庫增強與外部API集成(代碼示例:HTTP節點與檢索增強生成)1. 核心挑戰與優化目標1.1 技術瓶頸分析1.2 設計目標2. 關鍵技術方案2.1 知識…

藍橋杯Java B組省賽真題高頻考點近6年統計分類

基礎考點 考點高頻難度模擬9基礎枚舉5基礎思維4基礎動態規劃3基礎規律2基礎單位換算2基礎搜索 1基礎雙指針1基礎數學1基礎哈希表1基礎暴力1基礎Dijkstra1基礎 二分1基礎 中等考點 考點高頻難度動態規劃6中等數學5中等枚舉4中等模擬3中等思維3中等貪心3中等前綴和3中等二分2中…

Rancher2.8.5架構

大多數 Rancher 2.x 軟件均運行在 Rancher Server 上。Rancher Server 包括用于管理整個 Rancher 部署的所有軟件組件。 下圖展示了 Rancher 2.x 的上層架構。下圖中&#xff0c;Rancher Server 管理兩個下游 Kubernetes 集群&#xff0c;其中一個由 RKE 創建&#xff0c;另一…

Java Lambda 表達式提升效率

lambda 表達式的應用場景 Stream 的應用場景 Lambda/Stream 的進一步封裝 自定義函數式接口&#xff08;用 jdk 自帶的函數式接口也可以&#xff09; https://docs.oracle.com/javase/tutorial/java/javaOO/lambdaexpressions.html import java.io.Serializable;/*** 可序…

keep-alive緩存

#keep-alive緩存動態路由的使用指南# 代碼如下圖 &#xff1a; <router-view v-slot"{ Component }"> <keep-alive :include"[Hot, Notifications, User, Setting, Test]"> <component :is"Component" …

使用 PyTorch 的 `GradualWarmupScheduler` 實現學習率預熱

使用 PyTorch 的 GradualWarmupScheduler 實現學習率預熱 在深度學習中,學習率(Learning Rate, LR)是影響模型訓練效果的關鍵超參數之一。為了提升模型的收斂速度和穩定性,學習率調度策略變得尤為重要。其中,學習率預熱(Learning Rate Warmup) 是一種常用的策略,它通過…

【DLI】Generative AI with Diffusion Models通關秘籍

Generative AI with Diffusion Models&#xff0c;加載時間在20分鐘左右&#xff0c;耐心等待。 6.2TODO 這里是在設置擴散模型的參數&#xff0c;代碼里的FIXME部分需要根據上下文進行替換。以下是各個FIXME的替換說明&#xff1a; 1.a_bar 是 a 的累積乘積&#xff0c;在 …

如何在本地部署魔搭上千問Qwen2.5-VL-32B-Instruct-AWQ模型在顯卡1上面運行推理,并開啟api服務

環境: 云服務器Ubuntu NVIDIA H20 96GB Qwen2.5-VL-32B Qwen2.5-VL-72B 問題描述: 如何在本地部署魔搭上千問Qwen2.5-VL-32B-Instruct-AWQ模型在顯卡1上面運行推理,并開啟api服務 解決方案: 1.環境準備 硬件要求 顯卡1(顯存需≥48GB,推薦≥64GB)CUDA 11.7或更高…

基于方法分類的無監督圖像去霧論文

在之前的博客中&#xff0c;我從研究動機的角度對無監督圖像去霧論文進行了分類&#xff0c;而現在我打算根據論文中提出的方法進行新的分類。 1. 基于對比學習的方法 2022年 論文《UCL-Dehaze: Towards Real-world Image Dehazing via Unsupervised Contrastive Learning》&a…