HDU - 2888 Check Corners 【RMQ(二维线段树 / ST)】

题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=2888

第一种方法是二维线段树,注意的地方在代码注释的部分。第二种方法是 ST算法,在后面。

#include <iostream>
#include <cstdlib>
#include <cstdio>
#include <cstring>
#include <algorithm>

using namespace std;

typedef long long ll;

const int Maxn = 300+10;
const int INF = 0x3f3f3f3f;

struct Node {
    int maxn;
}node[Maxn<<2][Maxn<<2];

int a[Maxn][Maxn];

void subupdata(int c1, int c2, int l, int r, int L, int R) {
    if(l == r && L == R) {
        node[c1][c2].maxn = a[l][L]; return;
    }
    if(L == R) {
        node[c1][c2].maxn = max(node[c1<<1][c2].maxn, node[c1<<1|1][c2].maxn); return;
    }
    int mid = (L+R)/2;
    subupdata(c1, c2<<1, l, r, L, mid);
    subupdata(c1, c2<<1|1, l, r, mid+1, R);
    node[c1][c2].maxn = max(node[c1][c2<<1].maxn, node[c1][c2<<1|1].maxn);
}

void updata(int c1, int c2, int l, int r, int L, int R) {
    int mid = (l+r)/2;
    if(l != r) {
        updata(c1<<1, c2, l, mid, L, R);
        updata(c1<<1|1, c2, mid+1, r, L, R);
    }
    subupdata(c1, c2, l, r, L, R);
}

int x_1, x_2, y_1, y_2; // 参数要拿出来,如果带到query里面递归会超内存

int subquery(int c1, int c2, int L, int R) {
    if(y_1 <= L && R <= y_2) return node[c1][c2].maxn;
    int mid = (L+R)/2, maxn = -INF;
    if(y_1 <= mid) maxn = max(maxn, subquery(c1, c2<<1, L, mid));
    if(mid+1 <= y_2) maxn = max(maxn, subquery(c1, c2<<1|1, mid+1, R));
    return maxn;
}

int query(int c1, int c2, int l, int r, int L, int R) {
    if(x_1 <= l && r <= x_2) return subquery(c1, c2, L, R);
    int mid = (l+r)/2, maxn = -INF;
    if(x_1 <= mid) maxn = max(maxn, query(c1<<1, c2, l, mid, L, R));
    if(mid+1 <= x_2) maxn = max(maxn, query(c1<<1|1, c2, mid+1, r, L, R));
    return maxn;
}

int main(void)
{
    int N, M;
    while(scanf("%d%d", &N, &M) != EOF) {
        for(int i = 1; i <= N; ++i) {
            for(int j = 1; j <= M; ++j) scanf("%d", &a[i][j]);
        }
        updata(1, 1, 1, N, 1, M);
        int q, maxn;
        scanf("%d", &q);
        while(q--) {
            scanf("%d%d%d%d", &x_1, &y_1, &x_2, &y_2);
            maxn = query(1, 1, 1, N, 1, M);
            printf("%d ", maxn);
            if(a[x_1][y_1] == maxn || a[x_1][y_2] == maxn || a[x_2][y_1] == maxn || a[x_2][y_2] == maxn) printf("yes\n");
            else printf("no\n");
        }
    }
    return 0;
}

 

 二维的ST要比一维的麻烦一些,这里主要是把代码dp的下标讲一下。(下面的内容是针对已经了解一维ST的朋友)

dp[ i ][ j ][ k ][ l ]。

首先是 k,l 这两个下标表示的是二维数组对应的位置,i 和 j 分别表示 行的间隔和列的间隔。

假设 i == 0, j == 1,然后遍历k,l,代表的意思就是,以k,l为起点计算 1 (2^0) 行内,2 (2^1) 列内的最大值,当遍历完所有的坐标k,l之后,那么任意起点的一行两列内的最大值都求出来了,随后求 i == 0, j == 2的最大值,这里要区分的是 i == 0 和 i != 0的情况,当 i > 0 时,说明任意起点任意列的间隔的最大值都已经求出来了,那么对于 i > 0 的情况,只需要把 i -1 的情况拿出来比较最大值就行了,j 的情况在 i == 0的时候就已经求出来了。

在query的部分要注意的是,需要比较的最大值有四部分,和一维的不同(只需要两部分,第一部分覆盖不到的地方由第二部分补上),这里二维需要用四块补上整个矩阵。

#include <iostream>
#include <cstdlib>
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <cmath>

using namespace std;

typedef long long ll;

const int Maxn = 300+10;
const int INF = 0x3f3f3f3f;

int dp[9][9][Maxn][Maxn];

void st(int n, int m) {
    memset(dp, -1, sizeof(dp));
    for(int i = 1; i <= n; ++i) {
        for(int j = 1; j <= m; ++j) scanf("%d", &dp[0][0][i][j]);
    }
    for(int i = 0; (1<<i) <= n; ++i) {
        for(int j = 0; (1<<j) <= m; ++j) {
            if(!i && !j) continue;
            for(int k = 1; k+(1<<i)-1 <= n; ++k) {
                for(int l = 1; l+(1<<j)-1 <= m; ++l) {
                    if(i == 0) dp[i][j][k][l] = max(dp[i][j-1][k][l], dp[i][j-1][k][l+(1<<(j-1))]);
                    else {
                        dp[i][j][k][l] = max(dp[i-1][j][k][l], dp[i-1][j][k+(1<<(i-1))][l]);
                    }
                }
            }
        }
    }
}

int query(int x1, int y1, int x2, int y2) {
    int i = (int)((double)log(x2-x1+1)/log(2.0));
    int j = (int)((double)log(y2-y1+1)/log(2.0));
    return max(max(dp[i][j][x1][y1], dp[i][j][x1][y2-(1<<j)+1]),
               max(dp[i][j][x2-(1<<i)+1][y1], dp[i][j][x2-(1<<i)+1][y2-(1<<j)+1]));
}

int main(void)
{
    int N, M;
    while(scanf("%d%d", &N, &M) != EOF) {
        st(N, M);
        int q, x1, x2, y1, y2;
        scanf("%d", &q);
        while(q--) {
            scanf("%d%d%d%d", &x1, &y1, &x2, &y2);
            int maxn = query(x1, y1, x2, y2);
            printf("%d ", maxn);
            if(dp[0][0][x1][y1] == maxn || dp[0][0][x1][y2] == maxn || dp[0][0][x2][y1] == maxn || dp[0][0][x2][y2] == maxn)
                printf("yes\n");
            else printf("no\n");
        }
    }
    return 0;
}

 

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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