ACM集训队作业------codeforce 1073C

传送门:http://codeforces.com/problemset/problem/1073/C

二分专题有两个作业,上一个子段最大平均值刚刚弄个大概,现在再搞搞这题吧

题目大意:就是给你一组字符串,按照这个字符串进行操作机器人可以走到一个地点,问你如何修改这个字符串使得修改的区间最小,让机器人走到给定的地点。

在这不得不感慨一下SYF大佬真的强,代码打的贼快,这题是利用曼哈顿距离

昨晚难道因为没想通本题的判断条件本题失眠了??

今天早晨自己有推了一下,瞬间感觉思路清晰。

题解:

       如果按照给定的字符串来走的话会到达一个点,但是你需要走到题目给定的点,那么你就需要修改题目中所给的字符串使得机器人可以走到要求到达的点,但是题目还要求找到最小的修改长度,为了不超时,那么我就可以用二分查找来找到我需要改动的最小的区间长度。如何判断这个长度满足最小距离呢?我们可以从字符串的开头不断的平移最小长度个距离,找到当前相对于起点的偏移量,找到当前的位置和需要走到的位置求解他们的曼哈顿距离,因为在哪个区间中我可以任意修改机器人的方向,也就是说机器人可以来回往复的走,但是如果能够走到想要到达的距离,那么我就满足修改区间的长度大于等于他们的曼哈顿距离,并且他们的坐标要同奇偶,例如我在(-1,0)需要走到(2,0)那显然不能走到。

代码:

#include<iostream>
#include<cstring>
#include<algorithm>
#include<cmath>
using namespace std;
string s;
int tarx,tary;
int n;
int x[200005],y[200005];
bool Is_ok(int len)
{
	for(int i=1;i<=n-len+1;i++)
	{
		int nowx=x[i-1]+x[n]-x[i+len-1];
		int nowy=y[i-1]+y[n]-y[i+len-1];
		int dis=abs(nowx-tarx)+abs(nowy-tary);
		if((len-dis)%2==0&&len>=dis)	return true;
	}
	return false;
}
int main()
{
	cin>>n;
	cin>>s;
	cin>>tarx>>tary;
	for(int i=1;i<=n;i++)
	{
		if(s[i-1]=='R')
		{
			x[i]=1;
		}
		else if(s[i-1]=='U')
		{
			y[i]=1;
		}
		else if(s[i-1]=='L')
		{
			x[i]=-1;
		}
		else if(s[i-1]=='D')
		{
			y[i]==1;
		}
	}
	for(int i=1;i<=n;i++)
	{
		x[i]=x[i]+x[i-1];
		y[i]=y[i]+y[i-1]; 
	}
	int left=0,right=n;
	int mid;
	int ans=-1;
	while(left<=right)
	{
		mid=(left+right)/2;
		if(Is_ok(mid)){
			ans=mid;
			right=mid-1;
		}
		else left=mid+1;
	}
	cout<<ans<<endl;
	return 0;
}

 

  • 1
    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
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