POJ-4040(单调队列)(Non-negative Partial Sums )

【转载自】http://blog.ac521.org/?p=123
【题目描述】
给定一个长n的循环队列(n<=1000000),可以循环形成序列(共n种),对于每种序列求前i项和sum(i),求形成的循环序列有多少种 满足任意的sum(i)>=0;
【解题思路】

首先用循环序列的一般处理方法,两个接在一起,然后处理出来sum,使用单调队列,滚动求长n的子序列的最小值。如果最小值减去前面的sum仍然是非负的,则计数。

#define N 1000002
int num[N * 2];
int q[N * 2], p[N * 2];
char s[N * 3];
int head, rear; 
int main() 
{
	int n, m, i, j;
	while (scanf("%d", &n) == 1 && n != 0) {
		int end = n * 2;
		getchar();
		gets(s);
		int index = 0, l = strlen(s);
		int number = 0;
		int tag = 0;
		for (i = 0; i < l; ++i) {
			if (s[i] == '-') {
				tag = 1;
				continue;
			}
			if (isdigit(s[i])) {
				number = number * 10 + s[i] - '0';
			} else {
				if (tag == 1) number *= -1;
				num[index++] = number;
				num[index + n - 1] = number;
				tag = 0;
				number = 0;
			}
		}
		if (index < n) {
			if (tag == 1) number *= -1;
			num[index++] = number;
			num[index + n - 1] = number;
		}
		for (i = 1; i < end; ++i)
			num[i] += num[i - 1];
		head = 0, rear = -1;
		m = 0;
		for (i = 0; i < end; ++i) {
			while (head <= rear && num[i] <= q[rear])
				rear--;
			q[++rear] = num[i];
			p[rear] = i;
			if (i >= n) {
				while (head <= rear && p[head] < i - n + 1)
					head++;
				int sum = num[i - n];
				if (q[head] - sum >= 0)
					++m; 
			}
		}
		printf("%d\n", m);

	}
	return 0;
}





  • 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
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