【CQ Training 2014 Day3】燃烧的天空

Description

给出若干个三角形,被i个三角形覆盖的区域总面积记为 Area(i) ,输出每一个 Area(i)(1<=i<=n) .

Solution

扫描线。
先处理所有顶点和线段交点的横坐标的集合X。
考虑处于 X[i] X[i+1] 之间的图形对答案的贡献,可以看成是一个一个的梯形。
可以用一个变量k记录“当前正在讨论对 Area(k) 的贡献 ”。只需要把最初输入的线段分成两类:入边(k+1)和出边(k-1)就可以了。

Code

#include<iostream>
#include<cstdio>
#include<algorithm>
#include<cstring>
#include<cmath>
#include<cstdlib>

using namespace std;
const int maxn = 50000+5;
const double eps = 1e-8;

int dcmp(double x){
    if(fabs(x)<eps) return 0;
    return x>0? 1:-1;
}
struct Point{
    double x,y;
    Point(){}
    Point(double x,double y) :x(x),y(y){}
    bool operator < (const Point p) const {
        return dcmp(x-p.x)<0||(dcmp(x-p.x)==0 && dcmp(y-p.y)<0);
    }
    bool operator == (const Point& p) const { 
        return dcmp(x-p.x)==0 && dcmp(y-p.y)==0;
    } 
    void init(){scanf("%lf%lf",&x,&y);}
    void put(){cout<<"( "<<x<<" , "<<y<<" ) ";}
};
typedef Point Vector;
Vector operator + (Vector a,Vector b){return Vector(a.x+b.x,a.y+b.y);}
Vector operator - (Vector a,Vector b){return Vector(a.x-b.x,a.y-b.y);}
Vector operator / (Vector v,double t){return Vector(v.x/t,v.y/t);}
Vector operator * (Vector v,double t){return Vector(v.x*t,v.y*t);}
double Cross(Vector a,Vector b){return a.x*b.y-a.y*b.x;}

bool Onleft(Point a1,Point a2,Point p){
    return Cross(p-a1,a2-a1)<0;
}

bool Intersect(Point a1,Point a2,Point b1,Point b2){
    double c1 = Cross(a2-a1,b1-a1), c2 = Cross(a2-a1,b2-a1);
    double c3 = Cross(b2-b1,a1-b1), c4 = Cross(b2-b1,a2-b1);
    return dcmp(c1)*dcmp(c2)<0 &&dcmp(c3)*dcmp(c4)<0; 
}
Point Intersection(Point a1,Point a2,Point b1,Point b2){
    Vector v1 = a2-a1,v2 = b2-b1;
    double t = Cross(b1-a1,v2)/Cross(v1,v2);
    return a1+v1*t;
}

struct Seg{
    Point a1,a2;
    int type;
    Seg(){}
    Seg(Point a1,Point a2,int type):a1(a1),a2(a2),type(type){}
    bool operator < (const Seg s) const {
        return dcmp(a1.y-s.a1.y)==-1 || (dcmp(a1.y-s.a1.y)==0 && dcmp(a2.y-s.a2.y)==-1);
    } 
}Q[maxn],A[maxn];

int n,N,tot;
double X[maxn],ans[maxn];

int main(){
    int i,j,k;
    scanf("%d",&n);
    for(i=1;i<=n;i++){
        Point p[3];
        for(j=0;j<3;j++) 
            p[j].init(),X[++tot] = p[j].x;
        if(Cross(p[0]-p[1],p[0]-p[2])==0) continue;
        for(k=2,j=0;j<3;k=j++){
            Point a = p[k],b = p[j];
            if(dcmp(a.x-b.x)==0) continue;
            if(b<a) swap(a,b);
            Point c = p[3-j-k];
            if(Onleft(a,b,c)) A[++N] = Seg(a,b,1);
            else A[++N] = Seg(a,b,-1);
        } 
    }
    for(i=1;i<=N;i++)
        for(j=i+1;j<=N;j++)
            if(Intersect(A[i].a1,A[i].a2,A[j].a1,A[j].a2)){
                Point temp = Intersection(A[i].a1,A[i].a2,A[j].a1,A[j].a2);
                X[++tot] = temp.x;
            } 
    sort(X+1,X+1+tot);
    int t = 0; X[0] = -1;
    for(i=1;i<=tot;i++)
        if(dcmp(X[i]-X[t])!=0) X[++t] = X[i];
    tot = t;
    for(i=1;i<tot;i++){
        int top = 0;
        for(j=1;j<=N;j++)
            if(A[j].a1.x<=X[i] && A[j].a2.x>=X[i+1]){
                Point l = Intersection(A[j].a1,A[j].a2,Point(X[i],-1000),Point(X[i],1000));
                Point r = Intersection(A[j].a1,A[j].a2,Point(X[i+1],-1000),Point(X[i+1],1000));
                Q[++top] = Seg(l,r,A[j].type);
            }
        sort(Q+1,Q+1+top);
        k = 0;
        for(j=1;j<top;j++){
            k += Q[j].type;
            double area = ((Q[j+1].a1.y-Q[j].a1.y)+(Q[j+1].a2.y-Q[j].a2.y))*(X[i+1]-X[i])*0.5;
            ans[k] += area;
        }
    }
    for(i=1;i<=n;i++)
        printf("%.4lf\n",ans[i]);
    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。
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。
【5层】公司办公楼全套设计+++(3156平,含计算书、建筑图,结构图、实习报告,PKPM,答辩PPT) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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