Input poj 1262 计算几何

Problem

一个地板被若干砖所覆盖。现在请你判断,这些砖是否恰好不重复,不遗漏的恰好覆盖了整个地板。

Input

第一行为一个整数N,表示有N组测试数据。
每组测试数据第一行是两个数l, w,表示地板的长和宽(不超过40000)。
第二行是一个数t,表示有t块砖(1<=t<=400)。
下面t行每行是四个数,xl,yl,xh,yh,其中(xl,yl)是砖的左下角坐标,(xh,yh)是砖的右上角坐标。

Output

每组数据输出包含一行。
如果输入中砖有交叉覆盖,则输出”NONDISJOINT”
否则如果有砖超出了地板,则输出”NONCONTAINED”
否则如果有部分地板没有被覆盖,则输出”NONCOVERING”
否则输出”OK”

分析

本题的关键盘是判断是否有交叉覆盖,判断标准如下:
r.left r.right r.up r.down 表示一个矩形r的左边\右边\上边\下边
四个判断(r1.left < r2.right) and(r2.left < r1.right) and (r1.up < r2.down) and (r2.up < r1.down)
如果答案为true,那就交叉了。

代码

const
  maxn=1000;

type
  arr=record
    x,y:longint;
end;

var
  n,m:longint;
  l,w:longint;
  i,j,k:longint;
  left,right:array[1..maxn] of arr;
  boom:boolean;
  area:longint;

function judge(x,y:longint):boolean;
begin
  judge:=true;
  if (x<0) or (x>l) or (y<0) or (y>w)
    then exit(false);
end;

procedure init;
var
  i,j,k:longint;
begin
  readln(l,w);
  readln(m);
  boom:=true;
  area:=0;
  fillchar(left,sizeof(left),0);
  fillchar(right,sizeof(right),0);
  for i:=1 to m do
    begin
      read(left[i].x,left[i].y);
      readln(right[i].x,right[i].y);
      area:=area+(right[i].x-left[i].x)*(right[i].y-left[i].y);
      boom:=judge(left[i].x,left[i].y) and judge(right[i].x,right[i].y);
    end;
end;

procedure main;
var
  i,j,k:longint;
  flag:boolean;
begin
  flag:=true;
  for i:=1 to m do
    for j:=i+1 to m do
      if (left[i].x<right[j].x) and (left[j].x<right[i].x) and (left[i].y<right[j].y) and (left[j].y<right[i].y)
        then flag:=false;
  if not flag
    then
      begin
        writeln('NONDISJOINT');
        exit;
      end;
  if boom=false
    then
      begin
        writeln('NONCONTAINED');
        exit;
      end;
  if area<>l*w
    then
      begin
        writeln('NONCOVERING');
        exit;
      end;
  writeln('OK');
end;

begin
  readln(n);
  for i:=1 to n do
    begin
      init;
      main;
    end;
end.

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