POJ 2482 解题报告

三个月以来的第一题。。。

这道题是二维的线段树,需要转化为一维。

首先只考虑x轴,将每个点看成两条线,入线和出线。入线的x坐标是点的x坐标,亮度是点的亮度;出线x坐标是x+W, 亮度是点的亮度的负值,即-c。这样做的原因是如果我们按照x的大小从左往右处理所有的点(想象一个以每个点再左下那么一点点为左下角的矩形扫描,左下那么一点点是为了包括点),入线表示我们到了点的作用范围,出线会取消掉点的作用。为了能这样从左往右处理,我们需要把所有的入线出线按照x坐标从小到大排序。x值相同的时候,亮度为负值的点需要先处理,这样保证我们不会多算亮度和(即避免有个点已经不起作用了,仍然暂时算进去了)。

然后考虑y轴,由于上述处理方式,我们已经能够保证每个在线段树里面的点x是在作用范围内的,所以我们只用在处理每个点的时候把点加入到其y轴作用范围内就好了,即[y, y + H - 1]。这个范围是由于我们上述描述的矩形的位置决定的。

由于y值范围可能很大,为了减少线段树的空间消耗,我们可以将y离散化,即把所有y, y + H - 1排序,给个编号。编号仍然能表示两个y值的大小关系,但大大减少了数值范围。


我的线段树实现一如既往的慢。

thestoryofsnow2482Accepted3216K547MSC++3282B

/* 
ID: thestor1 
LANG: C++ 
TASK: poj2482 
*/
#include <iostream>
#include <fstream>
#include <cmath>
#include <cstdio>
#include <cstring>
#include <limits>
#include <string>
#include <vector>
#include <list>
#include <set>
#include <map>
#include <queue>
#include <stack>
#include <algorithm>
#include <cassert>

using namespace std;

typedef unsigned long long ULL;

const int MAXN = 10000;

class Star
{
public:
	ULL x, y1, y2;
	int c;
	Star() {}
	Star(ULL x, ULL y1, ULL y2, int c) : x(x), y1(y1), y2(y2), c(c) {}

	// We insert stars from left to right (with x increasing)
	// But we should insert the leaving stars (c < 0) first
	// to make SegmentTree maxc correct 
	// (as those leaving stars shouldn't count)
	inline bool operator<(const Star &rhs) const 
	{
		return x < rhs.x || (x == rhs.x && c < rhs.c);
	}
};

class SegmentTree {
public:
	int sumc, maxc;
	SegmentTree() : sumc(0), maxc(0) {}
};

void insert(SegmentTree segmentTree[], int left, int right, int index, Star &star) {
	if (left > star.y2 || right < star.y1) {
		return;
	}

	segmentTree[index].sumc += star.c;
	if (left == right) {
		segmentTree[index].maxc = segmentTree[index].sumc;
		return;
	}

	int mid = left + (right - left) / 2;
	insert(segmentTree, left, mid, 2 * index + 1, star);
	insert(segmentTree, mid + 1, right, 2 * index + 2, star);
	segmentTree[index].maxc = max(segmentTree[2 * index + 1].maxc, segmentTree[2 * index + 2].maxc);
}

int main() {
	int n, W, H;
	Star stars[2 * MAXN];
	SegmentTree segmentTree[2 * MAXN * 4];
	ULL ys[2 * MAXN];
	map<ULL, int> yIndexMap;
	while (scanf("%d%d%d", &n, &W, &H) > 0) {
		// printf("n:%d, W:%d, H:%d\n", n, W, H);
		// reset the segmentTree
		for (int i = 0; i < 4 * n; ++i) {
			segmentTree[i].sumc = 0;
		}

		for (int i = 0; i < n; ++i) {
			// the "entrancing star"
			// which will add 'c' when inserted
			scanf("%lld%lld%d", &stars[i].x, &stars[i].y1, &stars[i].c);
			// the y range for a star is [y, y + H - 1]
			// when assuming a rectangle whose bottom left corner is slightly off [x, y]
			stars[i].y2 = stars[i].y1 + H - 1;

			// add the corresponding "leaving star"
			// which when inserted will counteract the "entrancing star"
			stars[i + n].x = stars[i].x + W;
			stars[i + n].y1 = stars[i].y1;
			stars[i + n].y2 = stars[i].y2;
			stars[i + n].c = -stars[i].c;
		}

		// map stars' y to index which can reflect their relative difference (but ignore the absolute value)
		for (int i = 0; i < n; ++i) {
			ys[i] = stars[i].y1;
			ys[i + n] = stars[i].y2;
		}
		sort(ys, ys + 2 * n);
		int yIndex = 0;
		for (int i = 0; i < 2 * n; ++i) {
			if (i > 0 && ys[i] != ys[i - 1]) {
				yIndex++;
			}
			yIndexMap[ys[i]] = yIndex;
		}
		for (int i = 0; i < 2 * n; ++i) {
			stars[i].y1 = yIndexMap[stars[i].y1];
			stars[i].y2 = yIndexMap[stars[i].y2];
		}

		// sort the stars with their x value (if equal, negative c first)
		sort(stars, stars + 2 * n);
		// printf("stars:\n");
		// for (int i = 0; i < 2 * n; ++i) {
		// 	printf("(x: %lld, y1: %lld, y2: %lld, c: %d)\t", stars[i].x, stars[i].y1, stars[i].y2, stars[i].c); 
		// }
		// printf("\n");

		int maxc = 0;
		for (int i = 0; i < 2 * n; ++i) {
			insert(segmentTree, 0, 2 * n - 1, 0, stars[i]);
			maxc = max(maxc, segmentTree[0].maxc);
		}

		printf("%d\n", maxc);
	}
}


智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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。
POJ1753题目为"Flip Game",题目给出了一个4x4的棋盘,每个格子有黑色或白色,每次翻转一个格子会同时翻转它上下左右四个格子的颜色,目标是把整个棋盘都变为同一种颜色,求把棋盘变成同种颜色的最小步数。 解题思路: 一般关于棋盘变色的题目,可以考虑使用搜索来解决。对于POJ1753题目,可以使用广度优先搜索(BFS)来解决。 首先,对于每个格子,定义一个状态,0表示当前格子是白色,1表示当前格子是黑色。 然后,我们可以把棋盘抽象成一个长度为16的二进制数,将所有格子的状态按照从左往右,从上往下的顺序排列,就可以用一个16位的二进制数表示整个棋盘的状态。例如,一个棋盘状态为: 0101 1010 0101 1010 则按照从左往右,从上往下的顺序把所有格子的状态连接起来,即可得到该棋盘的状态为"0101101001011010"。 接着,我们可以使用队列来实现广度优先搜索。首先将初始状态加入队列中,然后对于队列中的每一个状态,我们都尝试将棋盘上的每个格子翻转一次,生成一个新状态,将新状态加入队列中。对于每一个新状态,我们也需要记录它是从哪个状态翻转得到的,以便在得到最终状态时能够输出路径。 在搜索过程中,我们需要维护每个状态离初始状态的步数,即将该状态转换为最终状态需要的最小步数。如果我们找到了最终状态,就可以输出答案,即最小步数。 代码实现:
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