[jzoj3757]【NOI2014】随机数生成器

传送门

Solution

题干教我们用 nm+q 的时间求出一个矩阵
要求我们在矩阵上走一条路径 使得路径排序后字典序最小
那么 就很显然了
采用贪心的思想 依次考虑每个数字
每个数字需要一个“来路”和“去路”
最后记录一下可行的答案即可

Code

#include <cstdio>
#include <cstring>
#include <iostream>
#include <algorithm>
#define oo 2139062143
#define sqr(x) ((x)*(x))
#define lowbit(x) ((x)&(-x))
#define abs(x) (((x)>=0)?(x):(-(x)))
#define max(x,y) (((x)>(y))?(x):(y))
#define min(x,y) (((x)<(y))?(x):(y))
#define divi(x,y) (((x)%(y))?((x)/(y)):(((x)/(y)))-1)
#define fo(i,x,y) for (int i = (x);i <= (y);++ i)
#define fd(i,x,y) for (int i = (x);i >= (y);-- i)
using namespace std;
typedef double db;
typedef long long ll;
const int N = 5050,M = 5050,NM = N * M;
ll a,b,c,d;
int n,m,q,nm,tot;
int t[NM],x[NM],upp[N],low[N],ans[N * 2];
void ins(int a,int b)
{
    fo(i,1,n)
    if (i < a) upp[i] = min(b,upp[i]); else
    if (i > a) low[i] = max(b,low[i]);
}
int main()
{
    scanf("%d%lld%lld%lld%lld", &x[0], &a, &b, &c, &d);
    scanf("%d%d%d", &n, &m, &q); nm = n * m;
    memset(upp,127,sizeof upp);
    fo(i,1,nm) x[i] = (x[i - 1] * (a * x[i - 1] + b) + c) % d,t[i] = i;
    fo(i,1,nm) swap(t[i],t[(x[i] % i) + 1]);
    fo(i,1,q)
    {
        int x,y;
        scanf("%d%d", &x, &y);
        swap(t[x],t[y]);
    }
    fo(i,1,nm) x[t[i]] = i;
    fo(i,1,nm)
    {
        int a,b;
        if (x[i] % m) a = x[i] / m + 1; 
        else a = x[i] / m;  
        b = x[i] % m;
        if (!b) b += m;        
        if (b <= upp[a] && b >= low[a])
        {
            ins(a,b);
            ans[++ tot] = i;
            if (tot == n + m - 1) break;
        }
    }
    fo(i,1,tot) printf("%d ", ans[i]);
}
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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