[线性DP][杨氏矩阵和勾长公式]Mr.|[线性DP][杨氏矩阵和勾长公式]Mr. Young's Picture Permutations
传送门
描述 有n个学生合影,站成左对齐的k排,每行分别有N1,N2…NK个人,第一排站最后,第k排站之前。样例输入
学生身高依次是1…N。在合影时候要求每一排从左到右递减,每一列从后面到前也递减,一共有多少总方案
输入
每组测试数据包含两行。第一行给出行数k。
【[线性DP][杨氏矩阵和勾长公式]Mr.|[线性DP][杨氏矩阵和勾长公式]Mr. Young's Picture Permutations】第二行包含从后到前(n1,n2,…,nk)的行的长度,作为由单个空格分隔的十进制整数。
问题数据以0结束。
行数 不会超过5行,学生总数N 最多为30。
输出 输出每组数据的方案数
1
30
5
1 1 1 1 1
3
3 2 1
4
5 3 3 1
5
6 5 4 3 2
2
15 15
0
样例输出
1
1
16
4158
141892608
9694845
分析:
两种做法:
第一种:线性DP,设 f [ i ] [ j ] [ k ] [ l ] [ m ] f[i][j][k][l][m] f[i][j][k][l][m]为第一排站i个,第二排站j个……的方案数
如果i
#include
using namespace std;
int k,n[10],a[10];
int main()
{
while(scanf("%d",&k),k!=0)
{
memset(n,0,sizeof(n));
for(int i=1;
i<=k;
i++) scanf("%d",&n[i]);
unsigned f[n[1]+1][n[2]+1][n[3]+1][n[4]+1][n[5]+1];
memset(f,0,sizeof(f));
f[0][0][0][0][0]=1;
for(a[1]=0;
a[1]<=n[1];
a[1]++)
for(a[2]=0;
a[2]<=n[2];
a[2]++)
for(a[3]=0;
a[3]<=n[3];
a[3]++)
for(a[4]=0;
a[4]<=n[4];
a[4]++)
for(a[5]=0;
a[5]<=n[5];
a[5]++)
{
int tmp=f[a[1]][a[2]][a[3]][a[4]][a[5]];
if(a[1]
第二种:杨氏矩阵和勾长公式:
杨氏矩阵又叫杨氏图表,它是这样一个矩阵,满足条件:
(1)如果格子(i,j)没有元素,则它右边和上边的相邻格子也一定没有元素。
(2)如果格子(i,j)有元素 a [ i ] [ j ] a[i][j] a[i][j],则它右边和上边的相邻格子要么没有元素,要么有元素且比 a [ i ] [ j ] a[i][j] a[i][j]大。
1 ~ n所组成杨氏矩阵的个数可以通过下面的递推式得到:
文章图片
如图就是n=3时的杨氏矩阵。
文章图片
下面介绍一个公式,那就是著名的钩子公式。
对于给定形状,不同的杨氏矩阵的个数为:n!除以每个格子的钩子长度加1的积。其中钩子长度定义为该格子右边的格子数和它上边的格子数之和。
那么这道题就是公式题了
代码:
#include
#define ll long long
using namespace std;
int n;
ll a[10],tot=0,hook=1,ans=1;
ll gcd(ll a,ll b){return b==0?a:gcd(b,a%b);
}
void get_hook(){
for(int i=n;
i>=1;
i--){
for(int j=1;
j<=a[i];
j++){
ll cnt=a[i]-j+1;
for(int k=n;
k>i;
k--)
if(a[k]>=j) cnt++;
hook*=cnt;
ans*=++tot;
ll gcdd=gcd(ans,hook);
ans/=gcdd;
hook/=gcdd;
}
}
}
int main(){
while(scanf("%d",&n)){
if(n==0) break;
for(int i=1;
i<=n;
i++) scanf("%d",&a[i]);
ans=1,hook=1,tot=0;
get_hook();
cout<
推荐阅读
- #矩阵中的鞍点
- 混淆矩阵画图
- 机器学习|线性回归原理与python实现
- 【数组题】给定一个二进制矩阵|【数组题】给定一个二进制矩阵 A,我们想先水平翻转图像,然后反转图像并返回结果。
- Python|Python实战(使用线性回归预测房价)
- 机器学习之回归
- 机器学习|线性回归的正规方程法
- AIoT(人工智能+物联网)|程序员的数学【线性代数基础】
- CapsNet|CapsNet 胶囊网络理解
- 87scikit-learn|87scikit-learn 机器学习入门实战--线性回归与感知机分类