UVA11605 Lights inside a 3d Grid

题目链接:https://www.luogu.com.cn/problem/UVA11605

我们设这个大的三维矩形长宽高分别为 n , m , h n,m,h n,m,h
这显然是一道概率题
我们看到每一个点都是互相独立的
于是我们想到可以算出每一个点经过操作之后为1的概率

我们设 f [ i ] [ j ] [ k ] [ q ] f[i][j][k][q] f[i][j][k][q]代表 ( i , j , k ) (i,j,k) (i,j,k)这个点经过 q q q次操作后为 1 1 1的概率
p [ i ] [ j ] [ k ] p[i][j][k] p[i][j][k]代表随机进行一次操作,覆盖到 ( i , j , k ) (i,j,k) (i,j,k)这个点的概率

g ( x , y ) = 2 ∗ x ∗ ( n − x + 1 ) − 1 g(x,y)=2*x*(n-x+1)-1 g(x,y)=2x(nx+1)1
代表在 [ 1 , y ] [1,y] [1,y]中选择两个数 a , b a,b a,b,满足 m i n ( a , b ) < = x < = m a x ( a , b ) min(a,b)<=x<=max(a,b) min(a,b)<=x<=max(a,b)的方案数

显然 p [ i ] [ j ] [ k ] = g ( i , n ) ∗ g ( j , m ) ∗ g ( k , h ) ( n m h ) 2 p[i][j][k]=\frac{g(i,n)*g(j,m)*g(k,h)}{(nmh)^2} p[i][j][k]=(nmh)2g(i,n)g(j,m)g(k,h)
至于求 f f f,我们可以得出递推式: f [ i ] [ j ] [ k ] [ p ] = f [ i ] [ j ] [ k ] [ p − 1 ] ∗ ( 1 − p [ i ] [ j ] [ k ] ) + ( 1 − f [ i ] [ j ] [ k ] [ p − 1 ] ) ∗ p [ i ] [ j ] [ k ] f[i][j][k][p]=f[i][j][k][p-1]*(1-p[i][j][k])+(1-f[i][j][k][p-1])*p[i][j][k] f[i][j][k][p]=f[i][j][k][p1](1p[i][j][k])+(1f[i][j][k][p1])p[i][j][k]

求通项公式,可得 f [ i ] [ j ] [ k ] [ p ] = 1 2 − 1 2 ∗ ( 1 − 2 ∗ p [ i ] [ j ] [ k ] ) n f[i][j][k][p]=\frac{1}{2}-\frac{1}{2}*(1-2*p[i][j][k])^n f[i][j][k][p]=2121(12p[i][j][k])n

C o d e Code Code

#include <iostream>
#include <cstdlib>
#include <cstdio>
#include <cstring>
using namespace std;
#define int long long
const int MAXN = 100;
double p[MAXN + 10][MAXN + 10][MAXN + 10];;
inline int read();
inline int g(int x, int n){
    return 2 * x * (n - x + 1) - 1;
}

double fastpow(double x, int p){
    double ans = 1;
    while (p){
        if (p & 1)  ans = ans * x;
        x = x * x;
        p >>= 1;
    }
    return ans;
}

signed main(){
    freopen ("std.in", "r", stdin);
    freopen ("std.out", "w", stdout);
    int T = read(), Case = 1;;
    while (T--){
        printf("Case %lld: ", Case++);
        int n = read(), m = read(), h = read(), q = read();
        double ans = 0;
        for (register int i = 1; i <= n; ++i)
            for (register int j = 1; j <= m; ++j)
                for (register int k = 1; k <= h; ++k){
                    p[i][j][k] = g(i, n) * g(j, m) * g(k, h) / (double)(n * m * h * n * m * h);
                    ans += 0.5 - 0.5 * fastpow(1 - 2 * p[i][j][k], q);
                }
        printf("%.10f\n", ans);
    }
    return 0;
}

inline int read(){
    int x = 0;
    char c = getchar();
    while (!isdigit(c))c = getchar();
    while (isdigit(c)) x = (x << 1) + (x << 3) + (c & 15), c = getchar();
    return x;
}
  • 0
    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