백준 10610번 바로가기 나의 풀이 주어진 숫자를 재조합해서 30의 배수를 만드는 문제. $ 30 = 3 * 10 $ 이므로 두 가지를 확인하면, 30의 배수를 만들 수 있는지 알 수 있다. 주어진 숫자에 0이 포함되는가 각 자리의 합이 3의 배수인가 (3의 배수 판별법) 만들 수 있는 최대 숫자는 각 자리를 내림차순 정렬하면 쉽게 구할 수 있다. # 입력 import sys n = str(sys.stdin.readline().strip()) nums = list(map(int, list(n))) # 처리 if '0' in n and sum(nums) % 3 == 0: print(''.join(map(str, sorted(nums, reverse=True)))) else: print(-1)
백준 2217번 바로가기 나의 풀이 각 로프에 걸리는 최대 중량은 사용한 로프 중 최대 중량의 최솟값이다. (즉, 최대의 최소의 개념!) 따라서 각 로프의 중량을 오름차순으로 정렬한 뒤에 하나씩 뽑아서 그 로프의 최대 중량을 기준으로 들 수 있는 최대 중량을 구했다. 식으로 나타내자면 $ max_{total} = min_{rope} * num_{ropes} $ 이를 코드로 나타내면 다음과 같다. # 입력 import sys n = int(sys.stdin.readline()) rope = [] weight = [] for _ in range(n): rope.append(int(sys.stdin.readline())) rope = sorted(rope) # 처리 for i in range(n): weight.append(rope.pop(0)*(len(rope)+1)) print(max(weight))
다리를 지나는 트럭 문제 바로가기 나의 풀이 from collections import deque def solution(bridge_length, weight, truck_weights): time = 0 bridge = [0] * bridge_length bridge_sum = 0 bridge = deque(bridge) truck_weights = deque(truck_weights) while truck_weights: bridge_sum -= bridge[-1] bridge.pop() time += 1 if bridge_sum + truck_weights[0] <= weight: bridge.insert(0, truck_weights.popleft()) else: bridge.insert(0, 0) bridge_sum += bridge[0] time += bridge_length return time 고수의 풀이 import collections DUMMY_TRUCK = 0 class Bridge(object): def __init__(self, length, weight): self._max_length = length self._max_weight = weight self._queue = collections.deque() self._current_weight = 0 def push(self, truck): next_weight = self._current_weight + truck if next_weight <= self._max_weight and len(self._queue) < self._max_length: self._queue.append(truck) self._current_weight = next_weight return True else: return False def pop(self): item = self._queue.popleft() self._current_weight -= item return item def __len__(self): return len(self._queue) def __repr__(self): return 'Bridge({}/{} : [{}])'.format(self._current_weight, self._max_weight, list(self._queue)) def solution(bridge_length, weight, truck_weights): bridge = Bridge(bridge_length, weight) trucks = collections.deque(w for w in truck_weights) for _ in range(bridge_length): bridge.push(DUMMY_TRUCK) count = 0 while trucks: bridge.pop() if bridge.push(trucks[0]): trucks.popleft() else: bridge.push(DUMMY_TRUCK) count += 1 while bridge: bridge.pop() count += 1 return count def main(): print(solution(2, 10, [7, 4, 5, 6]), 8) print(solution(100, 100, [10]), 101) print(solution(100, 100, [10, 10, 10, 10, 10, 10, 10, 10, 10, 10]), 110) if __name__ == '__main__': main() 출처 ...
하버법의 엔탈피($ 92.4 kJ/mol $)에서부터 아보가드로수 $ 6.0221367 * 10^23 $ 까지. 숫자로 화학의 주요 역사들과 기억할만한 실험과 발견들이 한 권에 담겨있다. 대부분의 교양 화학 서적들은 발견 순서대로 소개하거나, 유기/무기/물리화학과 같이 세부 분야에 따라 나누어 정리되기 마련인데, 이 책은 숫자를 기준으로 편집했다는 점에서 독특했다. 간혹 ‘라부아지에가 결혼할 때 아내 미리 안 피에레트의 나이: 13’처럼 어이없는 숫자가 등장하기도 하지만… ㅋㅋ 전반적으로는 괜찮은 내용들로 구성되어있다. (아니 많고 많은 상수들을 냅두고 왜 13을 택한건지 이해가 안된다. 차피 뒤에서 라부아지에에 대한 내용이 다시 등장하던데…) ...
Pytorch와 Chemistry를 키워드로 관련 논문들을 찾던 중에 NLP model을 이용한 논문을 발견했다. 아미노산 결합체인 콜라겐(Collagen)의 아미노산 배열로부터 녹는점 $ T_{m} $ 을 예측하는 것이 주된 목표였다. 주로 자연어 처리에 쓰이는 NLP(Natural Language Processing) 기법을 화학적 분자에 적용한다는 점에서 색다른 접근 방식이라고 생각할 수 있다. 기존에 화학 분야에 ML와 AI을 적용하기 위해서는 주로 물리화학적 특성들을 모두 고려해서 복잡한 모델을 만들어냈었는데, 이 경우 단순 아미노산 배열로부터 녹는점을 예측할 수 있기에 간편하면서도 실용적이라고 볼 수 있었다. 논문의 전체 내용을 읽기 위해서는 CollagenTransformer - ACS Publications을 참고하길 바란다. 여기에서는 이 논문에 대해서 간단한 요약과 더 알아볼 부분들에 대해서 소개하려고 한다. ...