洛谷 P2216 [HAOI2007]理想的正方形

PS:如果读过题了可以跳过题目描述直接到题解部分
提交链接:洛谷 P2216 [HAOI2007]理想的正方形

题目

题目描述

有一个 a × b a \times b a×b 的整数组成的矩阵,现请你从中找出一个 n × n n \times n n×n 的正方形区域,使得该区域所有数中的最大值和最小值的差最小。

输入格式

第一行为 3 3 3 个整数,分别表示 a , b , n a,b,n a,b,n 的值。

第二行至第 a + 1 a+1 a+1 行每行为 b b b 个非负整数,表示矩阵中相应位置上的数。每行相邻两数之间用一空格分隔。

输出格式

仅一个整数,为 a × b a \times b a×b 矩阵中所有“ n × n n \times n n×n 正方形区域中的最大整数和最小整数的差值”的最小值。

样例 #1

样例输入 #1

5 4 2
1 2 5 6
0 17 16 0
16 17 2 1
2 10 2 1
1 2 2 2

样例输出 #1

1

提示

问题规模。

矩阵中的所有数都不超过 1 , 000 , 000 , 000 1,000,000,000 1,000,000,000

20 % 20\% 20% 的数据 2 ≤ a , b ≤ 100 , n ≤ a , n ≤ b , n ≤ 10 2 \le a,b \le 100,n \le a,n \le b,n \le 10 2a,b100,na,nb,n10

100 % 100\% 100% 的数据 2 ≤ a , b ≤ 1000 , n ≤ a , n ≤ b , n ≤ 100 2 \le a,b \le 1000,n \le a,n \le b,n \le 100 2a,b1000,na,nb,n100

题解

单调队列

双向队列维护一个最远距离不超过n单调队列。分别保存n个数中最大的和最小的。
再换个方向跑。
就可以得到每n*n个数中最大的和最小的。
最后遍历得出的数,找出最大值和最小值的差最小的就是答案了。

代码实现

//洛谷 P2216 [HAOI2007]理想的正方形
#pragma GCC optimize(3)
#include<iostream>
#include<cstdio>
#include<cstring>
#include<queue>
using namespace std;
int a,b,n;
int ans=0x7fffffff;//注意要给ans赋一个极大的初值!!!
deque<int> q;//这个的头文件书上写的是deque但好像用queue也可以
int c[1010][1010];

struct z{
	int maxx;
	int minn;
	int ma;
	int mi;
}d[1010][1010];

void in(int &x){
	int nt;
	x=0;
	while(!isdigit(nt=getchar()));
	x=nt^'0';
	while(isdigit(nt=getchar())){
		x=(x<<3)+(x<<1)+(nt^'0');
	}
}

int main(){
	register int i,j,k;
	in(a),in(b),in(n);
	for(i=1;i<=a;++i){
		for(j=1;j<=b;++j){
			in(c[i][j]);
		}
	}
	for(i=1;i<=a;++i){
		q.clear();
		for(j=1;j<=b;++j){
			while(q.size()&&j-q.front()+1>n){//最长距离不超过n
				q.pop_front();
			}
			while(q.size()&&c[i][q.back()]<=c[i][j]){//单调
				q.pop_back();
			}
			q.push_back(j);
			d[i][j].maxx=c[i][q.front()];//保存
		}
	}
	for(i=1;i<=a;++i){
		q.clear();
		for(j=1;j<=b;++j){
			while(q.size()&&j-q.front()+1>n){
				q.pop_front();
			}
			while(q.size()&&c[i][q.back()]>=c[i][j]){
				q.pop_back();
			}
			q.push_back(j);
			d[i][j].minn=c[i][q.front()];
		}
	}
	for(j=1;j<=b;++j){
		q.clear();
		for(i=1;i<=a;++i){
			while(q.size()&&i-q.front()+1>n){
				q.pop_front();
			}
			while(q.size()&&d[q.back()][j].maxx<=d[i][j].maxx){
				q.pop_back();
			}
			q.push_back(i);
			d[i][j].ma=d[q.front()][j].maxx;
		}
	}
	for(j=1;j<=b;++j){
		q.clear();
		for(i=1;i<=a;++i){
			while(q.size()&&i-q.front()+1>n){
				q.pop_front();
			}
			while(q.size()&&d[q.back()][j].minn>=d[i][j].minn){
				q.pop_back();
			}
			q.push_back(i);
			d[i][j].mi=d[q.front()][j].minn;
		}
	}
	for(i=n;i<=a;++i){
		for(j=n;j<=b;++j){
			ans=min(ans,d[i][j].ma-d[i][j].mi);//遍历
		}
	}
	printf("%d\n",ans);
	return 0;
}
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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

打赏作者

月半流苏

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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