UVA.548 Tree(二叉树 DFS)

UVA.548 Tree(二叉树 DFS)

题意分析

给出一棵树的中序遍历和后序遍历,从所有叶子节点中找到一个使得其到根节点的权值最小。若有多个,输出叶子节点本身权值小的那个节点。
先递归建树,然后DFS求解。

代码总览

#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <string>
#include <sstream>
#include <queue>
#include <stack>
#include <set>
#include <map>
#include <vector>
#define nmax 100000
#define INF 0x3f3f3f3f
using namespace std;
int inorder[nmax],postorder[nmax];
int lnode[nmax],rnode[nmax];
int i;
bool read_input()
{
    memset(inorder,0,sizeof(inorder));
    memset(postorder,0,sizeof(postorder));
    string s;
    if(!getline(cin,s)) return false;
    else{
        stringstream ss(s);
        i = 0;
        int x;
        while(ss >> x) inorder[i++] = x;
        getline(cin,s);
        stringstream sss(s);
        i = 0;
        while(sss>>x) postorder[i++] = x;
    }
    return true;
}
// 递归建树
int buildtree(int l1,int r1, int l2, int r2)
{
    if(l1>r1) return 0;
    int root = postorder[r2];
    int p = l1;
    while(inorder[p] != root) p++;
    int cnt = p-l1;
    lnode[root] = buildtree(l1,p-1,l2,l2+cnt-1);
    rnode[root] = buildtree(p+1,r1,l2+cnt,r2-1);//
    return root;
}
int bestsum,best;
void dfs(int u, int sum)
{
    sum+=u;
    if(!lnode[u] && !rnode[u])
        if(sum<bestsum || (sum == bestsum && u<best)){
            best = u;
            bestsum = sum;
        }
    if(lnode[u]) dfs(lnode[u],sum);
    if(rnode[u]) dfs(rnode[u],sum);
}
int main()
{
    //freopen("in.txt","r",stdin);
    while(read_input()){
        bestsum = INF;best = INF;
        buildtree(0,i-1,0,i-1);
        dfs(postorder[i-1],0);
        cout<<best<<"\n";
    }
    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