AGC019D Shift and Flip(枚举)

题意:给定两个长度为n(n<=2000)的由0和1组成的字符串A和B,有三种操作

          1:将A向左循环移一格

          2:将B向右循环移一格

          3:将一个b[i]为1的位置的a[i]改为(1 - a[i])

          询问将A变为B的最短操作次数。若A无法变为B,则输出-1。

 

输入描述:两行,每行一个长度为n的只包含0和1的字符串

 

输出描述:一行,一个整数表示最小的的操作次数.若无法从A变为B,则输出-1.

 

输入样例:

1010

1100

 

输出样例:

3

 

解析:首先先判断-1的情况,不难发现如果B全为0且A也全为0,那么就输-1。如果B全为0且A也全为0,那么答案就是0。

          再来看看如何计算答案。用L[i]表示A中第i个位置向左移多少个位置后才能在B中有一个1。R[i]表示A中第i个位置向右移多少个位置后在B中有1。

          枚举最终的结果A的状态(即移动到了哪个位置),这样进行修改操作的次数是固定的(A与B中每位不同的个数就是修改的次数)。

          由上一步可以得出枚举的状态是由原状态左移(或右移)几个单位得到的,假设这个值是cnt。

          以左移为例。对于每个点的L[i],如果L[i] <= cnt,那么就不会产生多余的移动操作。可是若L[i] > cnt,那么这个点可能由原位置向右移u个单位,再向左移动u+L[i]*2-cnt个单位的过程中更改的;也可能是在原位置向左移L[i]个单位后再向右移L[i]-cnt个单位的过程中更改的。所以对于每个点,它的值要么是 向右的最大值*2+向左的最大值*2-cnt;要么是 向左的最大值*2-cnt,从中取一个最小值即可。

          对于右也是类似的操作。具体实现细节看代码。

 

代码如下:

 1 #include<cstdio>
 2 #include<cstring>
 3 #include<algorithm>
 4 using namespace std;
 5 
 6 const int maxn=2005;
 7 int n,L[maxn],R[maxn],bj[maxn],mx,mi,ans;
 8 int tota,totb,len,que[maxn];
 9 char a[maxn],b[maxn];
10 
11 int cmpL(int a,int b) {
12     return L[a]<L[b];
13 }
14 
15 int cmpR(int a,int b) {
16     return R[a]<R[b];
17 }
18 
19 int main() {
20     scanf("%s%s",a+1,b+1); n=strlen(a+1);
21     ans=2e9;
22       for (int i=1;i<=n;++i) { //求1的个数 
23           if (a[i]=='1') tota++;
24           if (b[i]=='1') totb++; 
25       }
26       if (!totb) { //判-1 
27           if (!tota) return puts("0"),0;
28           return puts("-1"),0;
29       }
30       for (int i=1;i<=n;++i) { //预处理L[i]与R[i] 
31           int ind=i,cnt=0;
32             while (b[ind]!='1') {
33                   ind--; cnt++;
34                   if (ind==0) ind=n;
35             }
36         L[i]=cnt;
37         ind=i; cnt=0;
38           while (b[ind]!='1') {
39               ind++; cnt++;
40               if (ind==n+1) ind=1;
41           }
42         R[i]=cnt;
43       }
44       for (int i=1;i<=n;++i) { //枚举移动后左端点的最终位置
45         int ind,sum=0; //sum记录需要修改的点的个数  
46         if (i==1) ind=1; else ind=n-i+2;
47           for (int j=1;j<=n;++j) bj[j]=0; //bj[i]记录i号点是否要修改
48           for (int j=1;j<=n;++j) {
49               if (a[ind]!=b[j]) sum++,bj[ind]=1;
50               ind++; if (ind>n) ind=1;
51           }
52         int cnt; //cnt表示向左移(或右移)的位数 
53           if (i==1) cnt=0; else cnt=n-i+1; //cnt表示向左移的位数 
54         len=0;
55           for (int j=1;j<=n;++j) 
56             if (bj[j] && L[j]>cnt) que[++len]=j;
57         sort(que+1,que+1+len,cmpR);
58         mx=0; mi=2e9; 
59           if (len>0) mi=min(mi,R[que[len]]*2+cnt);
60           for (int j=len;j>=1;--j) {
61               mx=max(mx,L[que[j]]);
62               if (j>1) mi=min(mi,R[que[j-1]]*2+mx*2-cnt);
63           }
64           if (len>0) mi=min(mi,mx*2-cnt);
65           if (!len) mi=cnt;
66         ans=min(ans,mi+sum);
67         cnt=i-1; len=0; //cnt表示向右移的位数 
68           for (int j=1;j<=n;++j)
69             if (bj[j] && R[j]>cnt) que[++len]=j;
70         sort(que+1,que+1+len,cmpL);
71         mx=0; mi=2e9;
72           if (len>0) mi=min(mi,L[que[len]]*2+cnt);
73           for (int j=len;j>=1;--j) {
74               mx=max(mx,R[que[j]]);
75               if (j>1) mi=min(mi,L[que[j-1]]*2+mx*2-cnt);
76           }
77           if (len>0) mi=min(mi,mx*2-cnt);
78           if (!len) mi=cnt;
79         ans=min(ans,mi+sum);
80       } 
81     printf("%d",ans);
82     return 0;
83 } 

 

转载于:https://www.cnblogs.com/Gaxc/p/9839067.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