uva 10487 Closest Sums(二分搜索)

737 篇文章 0 订阅
50 篇文章 0 订阅

题目连接:10487 - Closest Sums


题目大意:给出n 个数值, 在对应给出m个查找数值,要求每个查找数值在最先给出的n个数值中找到两个数值,是的这两个数值的和是所有任意两两数值的和中最接进查找数值的。


解题思路:将n个数任意两两数值的和计算出来后储存在数组当中,然后从小到大排列,最后用二分的方法查找,注意有两个的话输出最小的。


#include <stdio.h>
#include <set>
#include <vector>
#include <algorithm>
using namespace std;

const int N = 1005;
int num[N];
vector<int> sum;

int main() {
    int n, m, v, cas = 1;
    vector<int>::iterator it;
    while (scanf("%d", &n) == 1 && n) {
	sum.clear();
	for (int i = 0; i < n; i++) {
	    scanf("%d", &num[i]);
	    for (int j = 0; j < i; j++)
		sum.push_back(num[i] + num[j]);
	}
	sort(sum.begin(), sum.end());

	scanf("%d", &m);
	printf("Case %d:\n", cas++);
	for (int i = 0; i < m; i++) {
	    scanf("%d", &v);
	    it = lower_bound(sum.begin(),sum.end(), v);
	    int Min = *it;
	    if (it != sum.begin() && abs(*(it - 1) - v) < abs(Min - v))
		Min = *(it - 1);
	    printf("Closest sum to %d is %d.\n", v, Min);  
	}
    }
    return 0;
}


二分K均值是一种基于K均值算法的改进方法,用于图像分割时可以得到更好的结果。 实现步骤如下: 1. 将图像转化为一维数组。 2. 设定初始的K个聚类中心(可以随机选择或使用其他方法),计算每个像素点与聚类中心的距离,并将其归入距离最近的类别中。 3. 计算每个类别的平均值作为新的聚类中心。 4. 重复步骤2和步骤3,直到聚类中心不再发生变化或达到设定的迭代次数。 5. 对于二分K均值,将所有样本归入一个初始类别中,然后将其分成两个子类别。对每一个子类别重复1-4步骤,直到达到设定的最大类别数或某些停止条件。 6. 最终将每个像素点归入距离最近的聚类中心所在的类别中,即可得到图像分割结果。 下面是Python代码实现: ```python import numpy as np from PIL import Image def binary_kmeans(image_path, k_max=10, max_iter=20): # Load image image = Image.open(image_path) pixels = np.array(image).reshape(-1, 3) # Initialize with one cluster clusters = [(0, pixels)] # Binary K-means loop while len(clusters) < k_max: # Choose the cluster with maximum SSE sse_list = [np.sum((cluster[1] - np.mean(cluster[1], axis=0)) ** 2) for cluster in clusters] max_sse_idx = np.argmax(sse_list) max_sse_cluster = clusters[max_sse_idx] # Split the cluster into two sub-clusters kmeans = KMeans(n_clusters=2, max_iter=max_iter).fit(max_sse_cluster[1]) sub_clusters = [(max_sse_cluster[0] * 2 + i, max_sse_cluster[1][kmeans.labels_ == i]) for i in range(2)] # Replace the original cluster with the sub-clusters clusters = clusters[:max_sse_idx] + sub_clusters + clusters[max_sse_idx + 1:] # Assign each pixel to the closest cluster labels = np.zeros(len(pixels), dtype=int) for cluster in clusters: labels[np.argmin(np.sum((pixels - np.mean(cluster[1], axis=0)) ** 2, axis=1))] = cluster[0] # Reshape the labels back to an image return labels.reshape(image.size[1], image.size[0]) ``` 其中,`image_path`为需要分割的图像路径,`k_max`为最大聚类数,`max_iter`为每个子类别的最大迭代次数。该函数返回每个像素点所属的类别标签,可以使用不同的颜色来可视化分割结果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值