【bzoj3190】 [JLOI2013] 赛车

给定N辆赛车的起始点及速度,统计哪些赛车曾经处于领跑位置。

考虑把题目搬到S-T图像上,问题就变成了统计在S-T图像上在顶端的直线的序号,于是就可以用半平面交解决,并且只用考虑队首直线。

代码:

#include <cstdio>
#include <cstring>
#include <algorithm>
#define NON     50005
#define clr(a)  (memset((a),0,sizeof(a)))

typedef long long ll;

struct CAR{
    int k,v,id;
    const bool operator<(const CAR &a)const{return (v!=a.v)?(v<a.v):(k<a.k);}
}car[NON];

int N;

inline int Read(){
    //bool b=false;
    int x,ch=getchar();
    while((ch<'0'||ch>'9')/*&&ch!='-'*/)ch=getchar();
//  if(ch=='-')b=true,ch=getchar();
    x=ch-'0';
    for(ch=getchar();(ch>='0'&&ch<='9');ch=getchar())
        x=(x<<3)+(x<<1)+ch-'0';
    return x;
}

inline double time(const CAR a,const CAR b){
//  printf("Car %d(%2d,%2d) catch Car %d(%2d,%2d) : time %7.4lf\n",a.id,a.k,a.v,b.id,b.k,b.v,((double)b.k-a.k)/(a.v-b.v));
    return ((double)b.k-a.k)/(a.v-b.v);
}

int main(){
    static CAR Que[NON];
    static int Ans[NON];
    int i,head,total=0;
    N=Read();
    for(i=1;i<=N;++i) car[i].k=Read();
    for(i=1;i<=N;++i) car[i].v=Read(),car[i].id=i;
    std::sort(car+1,car+N+1);
    total=1;
    for(i=2;i<=N;++i){
        if(car[i].v!=car[i-1].v||(car[i].v==car[i-1].v&&car[i].k==car[i-1].k)) ++total;
        car[total]=car[i];
    }
    N=total;
    Que[head=1]=car[1],Ans[1]=car[1].id;
    for(i=2;i<=N;++i){
        while(head&&time(car[i],Que[head])<0) head--;
        while(head>1&&time(Que[head],Que[head-1])>time(car[i],Que[head-1])) head--;
        Que[++head]=car[i];
        Ans[head]=car[i].id;
    }

    std::sort(Ans+1,Ans+head+1);

    printf("%d\n",head);
    for(i=1;i<head;++i)
        printf("%d ",Ans[i]);
    printf("%d",Ans[head]);

    return 0;
}

被PE给坑了一下…

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
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