题解：洛谷 B3827 [NICA #2] 高考组题

洛谷 NICA #2（12题） 题单

整体分为 7 大模块：基础图像操作、滤波平滑、边缘 / 特征检测、轮廓与形状分析、特征匹配与目标识别、相机标定三维视觉、视频与机器学习，每个模块包含核心算法、解决痛点、实际工程场景。

题目要求将数组中的零元素移动到末尾，保持非零元素原有顺序，且需原地操作。解题思路采用双指针法： 初始化dest指针为-1（记录非零序列末尾），cur指针为0（用于遍历） 遍历数组时： 遇到非零元素：dest右移，交换dest与cur位置的元素 遇到零元素：仅cur右移 最终保证[0,dest]区间为非零元素，[dest+1, n-1]区间为零元素 时间复杂度O(n)，空间复杂度O(1)。该方法通过一次遍历和元素交换高效实现零元素后移。

本文提出了一种基于传输熵的非协作通信网络拓扑推理算法。在无法获取先验信息的情况下，该算法通过分析节点通信时序数据，计算传输熵量化节点间的有向信息流，结合置换检验和多元条件传输熵方法，有效剔除随机噪声和间接链路干扰，最终构建准确的有向加权网络拓扑。算法支持4-26个节点的网络规模，采用MATLAB实现，包含数据预处理、状态重构、传输熵计算、统计检验等核心模块，可精确还原非线性、时滞性通信网络的拓扑结构。完整程序工程可通过指定方式获取。

摘要：本文介绍了三种经典排序算法及其应用。快速排序采用分治思想，通过基准值划分数组，优化手段包括三数取中、小区间插入排序等。归并排序通过分治和合并实现，可用于求解逆序对问题。堆排序通过建堆和调整实现，能高效解决TopK问题。文章还分析了排序算法的稳定性，指出冒泡、插入等是稳定的，而选择、快排等不稳定，并给出了实际选型建议，如快排适合一般场景，归并适合稳定排序，堆排序适合TopK问题。

交换排序——冒泡排序，快速排序

本文介绍了三道使用位运算解决的算法题： 两整数之和：通过异或和与运算模拟加法，循环处理进位直至无进位。 只出现一次的数字II：统计每位出现次数后模3，定位唯一数字的各个比特位。 消失的两个数字：结合异或特性分组处理，将问题转化为找两个出现一次的数字。 这些解法均利用位运算高效实现，时间复杂度为O(1)或O(N)，空间复杂度优化至O(1)，展示了位运算在特定场景下的独特优势。

回溯法也可以叫做回溯搜索法，它是一种搜索的方式。回溯是递归的副产品，只要有递归就会有回溯。所以以下讲解中，回溯函数也就是递归函数，指的都是一个函数。回溯法解决的问题都可以抽象为树形结构（N叉树）是啥？本质？解决啥问题？解决模板回溯–递归三部曲画出树 ，主要收集的是节点还是叶子节点按照模板写代码组合和分割收集的都是叶子节点子集收集每个节点。

PageRank 是 Google 创始算法，也是图计算领域最经典的排名算法。本文深入解析 PageRank 数学原理，系统讲解 Spark GraphX 的两种实现（静态 & 动态），并结合源码剖析其分布式执行机制。

本文介绍了大语言模型中三种主流的子词分词技术。首先阐述了分词的必要性，即将文本转换为数字序列以便模型处理，并指出现代模型普遍采用子词分词算法来平衡词汇表规模和语义表达能力。随后详细讲解了三种主流算法：1）Byte-Pair Encoding（BPE），通过迭代合并高频字符对构建词汇表；2）WordPiece，基于最大似然准则选择合并对；3）SentencePiece的Unigram语言模型方法，直接从原始字节流学习子词概率分布。每种算法都配有原理说明、具体示例和简化Python实现，展现了子词分词如何帮助模

仅供参考，未经实验验证。DeepSeekMath对SFT、RFT、在线RFT、DPO、PPO、GRPO这些算法有统一范式描述，看看与九步认知循环关系。九步认知循环是一个"元学习操作系统"（关心学什么、什么时候学、什么时候停），六种 RL 算法是这个操作系统下的"具体优化程序"（关心给定目标后怎么更新参数）。两者在"反馈-选择-更新"的闭环结构上同构，但九步循环在目标管理和认知层级上更高，而 RL 算法在时序价值预估（Critic）和噪声鲁棒优化上更精细。

没想到呀，今天简单题卡壳了，不过后面还好，最终A了5个题看题吧。

关于“拓扑排序”，主要看图片中的内容来理解。

GESP2026年6月认证C++五级( 第一部分选择题（8-15））精讲

1、绪论1.1 研究背景近年来，国内大型综合医院普遍面临床位资源配置与患者住院需求之间的结构性矛盾。一方面，优质医疗资源向少数头部医院集中，导致热门科室“一床难求”；另一方面，部分非核心科室床位周转率偏低，资源闲置现象并存。根据国家卫生健康委员会发布的统计公报，三级医院平均床位使用率常年在百分之九十以上高位运行，而部分二级医院及基层医疗机构床位使用率则不足百分之七十，资源错配问题突出。在这种大环境下，跨科室、跨病区的机动床位共享模式逐渐成为医院管理研究的热点。已有学者从管理流程再造、信息系统集成等角度进行了

PyTorch中的Transformer实现提供了灵活的模块化组件，而非端到端的全自动模型。核心类包括： nn.Transformer：完整Encoder-Decoder架构，用于序列到序列任务 nn.TransformerEncoder/Decoder：可堆叠的编码器/解码器层 nn.TransformerEncoderLayer/DecoderLayer：单层实现，含自注意力和前馈网络 关键注意事项： 输入形状默认(seq_len,batch_size,d_model)，可通过batch_first调整

本文总结了 Rainbow DQN 中七项改进技术的整合与验证。在实现 Dueling DQN、Noisy Networks、优先经验回放及N步贝尔曼展开的基础上，实验表明组合系统在 100 局内即可从负收益跃升至正收益，平滑奖励达 +18，显著优于经典DQN。

不要回退，画不好就改算法，把面上的某条边投影到工程图，只要这条边的向量成投影矩阵不平行于z（不是一个点）就直接select这个棱的中点投影到工程图的坐标已按你的思路改完，核心变化如下。