程序设计思维与实践 Week14 限时大模拟

A - 猫睡觉问题

题目

众所周知,TT家里有一只魔法喵。这只喵十分嗜睡。一睡就没有白天黑夜。喵喵一天可以睡多次!!每次想睡多久就睡多久╭(╯^╰)╮

喵睡觉的时段是连续的,即一旦喵喵开始睡觉了,就不能被打扰,不然喵会咬人哒[○・`Д´・ ○]

可以假设喵喵必须要睡眠连续不少于 A 个小时,即一旦喵喵开始睡觉了,至少连续 A 个小时内(即A*60分钟内)不能被打扰!

现在你知道喵喵很嗜睡了,它一天的时长都在吃、喝、拉、撒、睡,换句话说要么睡要么醒着滴!

众所周知,这只魔法喵很懒,和TT一样懒,它不能连续活动超过 B 个小时。

猫主子是不用工作不用写代码滴,十分舒适,所以,它是想睡就睡滴。

但是,现在猫主子有一件感兴趣的事,就是上BiliBili网站看的新番。

新番的播放时间它已经贴在床头啦(每天都用同一张时间表哦),这段时间它必须醒着!!

作为一只喵喵,它认为安排时间是很麻烦的事情,现在请你帮它安排睡觉的时间段。

Input
多组数据,多组数据,多组数据哦,每组数据的格式如下:

第1行输入三个整数,A 和 B 和 N (1 <= A <= 24, 1 <= B <= 24, 1 <= n <= 20)

第2到N+1行为每日的新番时间表,每行一个时间段,格式形如 hh:mm-hh:mm (闭区间),这是一种时间格式,hh:mm 的范围为 00:00 到 23:59。注意一下,时间段是保证不重叠的,但是可能出现跨夜的新番,即新番的开始时间点大于结束时间点。
保证每个时间段的开始时间点和结束时间点不一样,即不可能出现类似 08:00-08:00 这种的时间段。时长的计算由于是闭区间所以也是有点坑的,比如 12:00-13:59 的时长就是 120 分钟。
不保证输入的新番时间表有序。

Output
我们知道,时间管理是一项很难的活,所以你可能没有办法安排的那么好,使得这个时间段满足喵喵的要求,即每次睡必须时间连续且不少于 A 小时,每次醒必须时间连续且不大于 B 小时,还要能看完所有的番,所以输出的第一行是 Yes 或者 No,代表是否存在满足猫猫要求的时间管理办法。

然后,对于时间管理,你只要告诉喵喵,它什么时候睡觉即可。
即第2行输出一个整数 k,代表当天有多少个时间段要睡觉
接下来 k 行是喵喵的睡觉时间段,每行一个时间段,格式形如 hh:mm-hh:mm (闭区间),这个在前面也有定义。注意一下,如果喵喵的睡眠时段跨越当天到达了明天,比如从23点50分睡到0点40分,那就输出23:50-00:40,如果从今晚23:50睡到明天早上7:30,那就输出23:50-07:30。

输出要排序吗?(输出打乱是能过的,也就是说,题目对输出的那些时间段间的顺序是没有要求的)

哦对了,喵喵告诉你说,本题是 Special Judge,如果你的输出答案和 Sample 不太一样,也可能是对的,它有一个判题程序来判定你的答案(当然,你对你自己的答案肯定也能肉眼判断)

思路

使用结构体time来表示一个时间段,结构体中的变量分别为start、end、len,分别储存时间段的起始时间和终止时间以及时间长度,并重载运算符将time变量的比较定义为起始时间数值的比较。
使用两个结构体数组fan和sleep分别来记录猫猫的看番时间和睡觉时间,在输入番剧时间段时将记录时间数据的时候将将时间换算到分钟单位,即将时间换算成小时数*60+分钟数的形式储存在time结构体数组fan中的对应位置,这样也便于进行时长的计算和比较。
首先可以对只有一个番剧时间段的特殊数据进行处理,使用一天总分钟数1440减去第一个番剧时间段的长度得到睡觉时间的初始长度,如果睡觉时间小于了输入的最短睡觉时间则输出No,反之则输出Yes和1,然后将睡觉的起始时间定为番剧结束时间加1,结束时间定为番剧起始时间减1,再将分钟化的时间数据通过对24取模还原回小时分钟表示方法。
当番剧时间段大于1时则需要将所有番剧的起始时间从早到晚排序,之后遍历所有的番剧时间。当番剧时间之间的间隔小于最短睡觉时间时猫猫不能睡觉,所以需要将活动时间更新为上一段番剧时长+间隔时间+下一段番剧时长;当番剧时间之间间隔大于睡觉时间时则将这段时间加入到睡觉的time结构体数组sleep中,然后将当前活动时间的累计清0。一旦累计的活动时间超过猫咪最长不睡觉的时间则输出No,否则将sleep数组中的所有睡觉时间段还原成标准时间形式输出。
在处理最后一个番剧时间段和第一个番剧时间段中间的时间时需要格外注意,需要返回将第一个fan时间的起始时间与最后一个fan的终止时间相减,而往往伴随着跨日时间的处理。在处理时需要将第一个时间段的起始值加上一天的分钟数1440再减去最后一个时间段的结束值为二者之间的时间间隔值,环节可以在遍历fan时间段之前进行。
在做有关与时间处理的题目时,处理输入输出时间数据的方式采用 scanf("%02d:%02d-%02d:%02d",&hs,&ms,&he,&me)和printf("%02d:%02d-%02d:%02d\n",hs,ms,he,me)的方法更加简便,也一定要注意跨日期的时间处理。

代码

#include <iostream>
#include <cstring>
#include <algorithm>
using namespace std;
struct time
{
    int start,end,len;
    bool friend operator <(time a,time b)
    {
        return a.start<b.start;
    }
}fan[25],sleep[25];
int main()
{
    int a,b,n,hs,he,ms,me;
    while(cin>>a>>b>>n)
    {
        int Max=0;
        int cnt=0;
        bool flag=true;
        memset(sleep,0,sizeof(sleep));
        for(int i=0;i<n;i++)
        {
            scanf("%02d:%02d-%02d:%02d",&hs,&ms,&he,&me);
            fan[i].start=hs*60+ms;
			fan[i].end=he*60+me;
            if(fan[i].end<fan[i].start)
                fan[i].end+=1440;
            fan[i].len=fan[i].end-fan[i].start+1;
            Max=max(Max,fan[i].len);
        }
        if(Max>b*60)
        {
            cout<<"No"<<endl;
            continue;
        }
        int slep=1440-fan[0].len;
        if(n==1)
        {
            if(slep>=a*60)
            {
                cout<<"Yes"<<endl; 
                cout<<"1"<<endl;
                hs=((fan[0].end+1)/60)%24;
                ms=(fan[0].end+1)%60;
                he=fan[0].start-1>=0?((fan[0].start-1)/60)%24:23;
                me=((fan[0].start-1)+60)%60;
                printf("%02d:%02d-%02d:%02d\n",hs,ms,he,me);
            }
            else
                cout<<"No"<<endl;
            continue;
        }
        sort(fan,fan+n);
        slep=fan[0].start+1440-fan[n-1].end-1;
        int wake;
        if(slep>=a*60)
        	wake=0;
        else
        {
        	wake=slep+fan[n-1].len;
        	int i=n-1;
        	while(i>=1&&fan[i].start-fan[i-1].end-1<a*60)
        	{
        		wake+=fan[i].start-fan[i-1].end-1+fan[i-1].len;
        		i--;
        	}
        }
        cout<<wake<<endl;
        for(int i=0;i<n;i++)
        {
            wake+=fan[i].len;
            if(wake>b*60)
            {
                flag=false;
                break;
            }
            if(i!=n-1)
            {
            	if(fan[i+1].start-fan[i].end-1>=a*60)
            	{
                	sleep[++cnt].start=fan[i].end+1;
                	sleep[cnt].end=fan[i+1].start-1;
                	wake=0;
            	}
            	else 
                	wake+=fan[i+1].start-1-fan[i].end;   
            	if(wake>b*60)
           	 	{
                	flag=false;
               	 	break;
            	}
            }        
        }
        if(slep>=a*60)
        {
            cnt++;
            sleep[cnt].start=fan[n-1].end+1;
			sleep[cnt].end=fan[0].start-1;
        }
        if(flag&&cnt)
        {
            cout<<"Yes"<<endl;
            cout<<cnt<<endl;
            for(int i=1;i<=cnt;i++)
            {
                hs=(sleep[i].start/60)%24;
                ms=(sleep[i].start+60)%60;
                he=sleep[i].end>=0?(sleep[i].end/60)%24:23;
                me=(sleep[i].end+60)%60;
                printf("%02d:%02d-%02d:%02d\n",hs,ms,he,me);
            }
        }
        else
            cout<<"No"<<endl;
    }
    return 0;
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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