Graham扫描法求凸包

今天刚看了Graham扫描法求凸包,就赶紧来记录一下。以下都是我的个人理解,不保证绝对正确,若是有错误希望大佬能指出,共同进步!
什么是凸包:给了有n个点的点集,让你求出这点集中的m个点,这m个点可以将其余点都包围起来。

求法:先找出左下角的点,就是纵坐标最小的点,若纵坐标相等则取横坐标最小的点。之后将这个点(x0,y0)分别与其他点相连。之后按射线与y=x0所行成的夹角大小排序(升序)。这里要是有图应该会更好理解..不过实在是懒得弄了- -。之后我们维护一个栈stack[maxn],首先将前两个点压入栈中,之后遍历其余的点。遍历要做的事就是判断栈顶的点是否满足顶点的要求,若满足则将遍历到的点i压入栈中,若不满足则将栈顶弹出。这么说可能有点不清楚,加个额外的描述:
for(i : 2->n){
do : while(stack[top] is not available) top--; 

then : stack[++top] = point[i];
}

这么做的原因是什么呢?要是你画了个图可能就会明白,一开始我们按夹角的大小给点排了个序,那么若点i位于凸包上,那么点j(j>i)必在点i的一侧。我突然想到加上这句可能会更好点,凸包上的点都在点集的最外侧。所以这个循环中做的事就是维护这个栈中的点始终是在"扩张"的。这也是为什么我们为每次都要将point[i]压入栈中,因为对于当前来说,它就是最后一个点,那它现在肯定满足这个条件。不过下一个点加进来后可能就不满足了,而栈中可能有多个点不满足,所以我们要循环判断。
说了那么多,也不知道讲没讲清楚。上个例题代码:(hdu1348)
#include<stdio.h>
#include<math.h>
#include<string.h>
#include<stack>
#include<algorithm>
using namespace std;
#define PI 3.1415926
struct point
{
    double x;
    double y;
}data[1005],fun;
double len_fun;
double getLen(point a,point b)
{
    return sqrt((a.x-b.x)*(a.x-b.x)+(b.y-a.y)*(b.y-a.y));
}
double cha(point a,point b,point c)
{
    return (b.x-a.x)*(c.y-a.y)-(b.y-a.y)*(c.x-a.x);
}
bool cmp(point a,point b)
{
    double ax=atan2(a.y-fun.y,a.x-fun.x);
    double bx=atan2(b.y-fun.y,b.x-fun.x);
    if(ax!=bx) return ax<bx;
    return a.x<b.x;
}
int main()
{
    int cases; scanf("%d",&cases);
    while(cases--)
    {
        int n,l; scanf("%d%d",&n,&l);
        for(int i=0;i<n;i++)
        scanf("%lf%lf",&data[i].x,&data[i].y);
        fun = data[0]; int pos=0;
        for(int i=0;i<n;i++)
        {
            if(data[i].y<fun.y || (data[i].y==fun.y&&data[i].x<fun.x))
            {
                fun=data[i];
                pos=i;
            }
        }
        data[pos]=data[0]; data[0]=fun;
        sort(data+1,data+n,cmp);
        point st[1005]; int top=1;
        st[0]=data[0]; st[1]=data[1];
        for(int i=2;i<n;i++)
        {
            while(cha(st[top-1],data[i],st[top])>0)
            top--;
            st[++top]=data[i];

        }
        double ans=0.0;
        for(int i=1;i<=top;i++)
        {
            ans+=getLen(st[i],st[i-1]);
        }
        ans+=getLen(st[0],st[top]);
        ans+=2*PI*(double)l;
        printf("%.0lf\n",ans);
        if(cases) printf("\n");
    }
    return 0;
}

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