贪心技巧

贪心

贪心其实就是按照某种规则排序。

乱搞

如果不知道应该按照什么规则排序,可以将自己能想到的所有排序方式都排一遍,从其中取更优秀的答案,排序次数越多只能使答案更优秀,所以放心排。

拟阵

先找对于只有两个数据的情况进行手玩。找到其中的排序方式,然后对于后面的任意两个数排序时(不一定是连续的),排序方式与只有两组数据时是相同的。

例题

luogu1080

先考虑只有两个大臣,只有两种情况(假如用l,r表示国王的左右手,l1,r1表示一号大臣,l2,r2表示二号大臣):

如果1号大臣在前面,那么一号大臣得到的金币就是\(\frac{l}{r1}\),二号大臣得到的金币就是\(\frac{l*l1}{r2}\)最终答案就是其中的max
如果2号大臣在前面那么一号大臣的得到的金币就是\(\frac{l}{r2}\)二号大臣得到的金币就是\(\frac{l*l2}{r1}\),最终答案就是在其中取max

那么排序的时候就可以对于任意两个大臣按照这个进行比较,也就是假装其他大臣都不存在

bool cmp(node x,node y)
{
    int l=a[1].l;
    int k1=max(l/x.r,l*x.l/y.r);
    int k2=max(l/y.r,l*y.l/x.r);
    if(k1<=k2) return 1;
    return 0;
}

然后可以化简(仅仅为了好看)

在上面的基础上,我们可以看成比较谁哪种情况更大就让他更靠后,首先明显\(\frac{l}{r1}\)\(\frac{l}{r2}\)的存在是没有意义的,因为有明显另外两种比他们更大。
然后还剩下\(\frac{l*l1}{r2}\)\(\frac{l*l2}{r1}\)将l约去,然后将r1与r2分别乘过去,然后就成了比较l1r1与比较l2r2比较小的就是比较优秀的那个。

然后发现如果乱搞,按照l*r排序也是不难想到的。

因为这个题需要知道最终答案,所以要写个高精。

代码

#include<cstdio>
#include<algorithm>
#include<iostream>
#include<cstring>
using namespace std;
struct bignum
{
    int a[100000],n;
    bignum ()
    {
        n=0;
        memset(a,0,sizeof(a));
    }
    bignum (int x)
    {
        n=0;
        memset(a,0,sizeof(a));
        while(x)
        {
            a[++n]=x%10;
            x/=10;
        }
    }
    void print()
    {
        for(int i=n;i>=1;--i)
            printf("%d",a[i]);
        printf("\n");
    }
};
bignum operator * (const bignum &x,int y)
{
    bignum c=x;
    for(int i=1;i<=c.n;++i)
        c.a[i]*=y;
    for(int i=1;i<=c.n;++i)
    {
        if(c.a[i]>=10)
        {
            c.a[i+1]+=c.a[i]/10;
            c.a[i]%=10;
        }
        if(i==c.n&&c.a[i+1]!=0) c.n++;
    }   
    return c;
}
bignum operator / (const bignum &x,int y)
{
    bignum c;
    c.n=x.n;
    int n=c.n;
    int k=0,tmp=0;
    for(int i=n;i>=1;--i)
    {
        tmp=k*10+x.a[i];
        c.a[n--]=tmp/y;
        k=tmp%y;
    }
    while(c.a[c.n]==0&&c.n>0) c.n--;
    if(c.n==0) c.n++;
    return c;
}
bool operator < (const bignum &x,const bignum &y)
{
    if(x.n!=y.n) return x.n<y.n;
    for(int i=x.n;i>=1;--i)
        if(x.a[i]!=y.a[i]) return x.a[i]<y.a[i];
}
const int N=11000;
struct node
{
    int l;
    int r;
}e[N];
bool cmp(node x,node y)
{
    return x.l*x.r<y.l*y.r;
}/*
bool cmp(node x,node y)
{
    int l=e[1].l,r=e[1].r;
    int k1=max(l/x.r,l*x.l/y.r);
    int k2=max(l/y.r,l*y.l/x.r);
    if(k1<=k2) return 1;
    return 0;
}*/
int main()
{
    //freopen("2.in","r",stdin);
    int n;
    scanf("%d",&n);
    ++n;
    for(int i=1;i<=n;++i)
        scanf("%d%d",&e[i].l,&e[i].r);
    sort(e+2,e+n+1,cmp);
    bignum ans(e[1].l),anss(0);
    int ans2=e[1].l,anss2=0;
    for(int i=2;i<=n;++i)
    {

        anss=max(anss,ans/e[i].r);
        anss2=max(anss2,ans2/e[i].r);
        ans=ans*e[i].l;
        ans2=ans2*e[i].l;

    }
    //printf("%d",anss);
    anss.print();
    return 0;
}

转载于:https://www.cnblogs.com/wxyww/p/9489586.html

  • 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