nyoj 1178 && hdu 5105 Math Problem 求解一元二次三次方程

题目链接:http://acm.nyist.net/JudgeOnline/problemrank.php?pid=1178

题目就是一个简单的高中物理问题,题目意思是:人A以初速度v0,加速度a0,追人B以初速度v1,加速度a1,最开始相距x,且B在前,A在后。问多少秒能追上?

这就是一个简单的高中物理追击问题。

我使用是一元二次方程解的这道题。但是,也遇到了一些了问题。

v1*t + 0.5 * a1 * t^2 + x = v0*t + 0.5 * a0 * t^2.

(v1 - v0) * t  + 0.5 * t ^ 2 *(a1 - a0) + x = 0。

a = 0.5 * (a1 - a0), b = (v1 - v0)。

直接接方程就ok了。

但是, 我们都知道。

在用求根公式的时候,a不能为0。如果a为0  的话,就成为一个一元一次方程,解就可能为1个。所以,这一点毫无疑问的是需要特殊考虑的。

但是,我忽略了一个点。

a != 0 && b != 0 的时候,解也是可能有多种的情况的。

x1 >=0 && x2 >= 0 这种情况还是比较有意思的。就是一直理解不了两个解都是整数的情况的时候是物理意义。后来想通了,也就ok了。

两个人可能相遇两次,那么我们就是第一次相遇就是我们要的答案。

为什么会出现两次的相遇呢? 我们想 如果B的加速度大而初速度小的话,不就可能相遇两次了?

x1 <=0 && x2 <= 0 这种情况不用说肯定是无解了。

x1 >=0 && x2 < 0 ans = x1.

x1 < 0 && x2 >= 0 ans = x2.

Code:(代码写了挫的一bi)

#include <iostream>
#include <algorithm>
#include <cstdio>
#include <cstring>
#include <cmath>
#include <queue>
#include <stack>
#include <vector>
using namespace std;

int main()
{
//    freopen("1.txt", "r", stdin);
//    freopen("3.txt", "w", stdout);
    int T;
    scanf("%d", &T);
    while(T --){
        double v0, a0, v1, a1, x;
        scanf("%lf %lf %lf %lf %lf", &v0, &a0, &v1, &a1, &x);
        if(x == 0){
            puts("0.00");
            continue;
        }
        if(a1 == a0){
            if(v0 > v1){
                // can
                printf("%.2lf\n", x / (v0 - v1));
            }
            else {
                puts("Drong is strong.");
            }
            continue;
        }
        double a = (a1 - a0) / 2;
        double b = v1 - v0;
        double c = x;
        double bb_4ac = b * b - 4 * a * c;
        if(bb_4ac < 0) puts("Drong is strong.");
        else {
            double ans1 = 0, ans2 = 0, ans = 0;
            // 确定会有一个正根 和 一个负根?
            // 答案是不一定。
            // 如果有两个负根,说明没有解。
            // 有一个负根+一个正根 说明正根是解。
            // 如果有两个正根,说明会两次会相遇。为什么? 这个是可以的。
            ans1 = (- b + sqrt(bb_4ac)) / (2 * a);
            ans2 = (- b - sqrt(bb_4ac)) / (2 * a);
            if(ans1 >= 0 && ans2 >= 0){
                ans = min(ans1, ans2);
            }
            else if(ans1 >= 0 && ans2 < 0){
                ans = ans1;
            }
            else if(ans1 < 0 && ans2 >= 0){
                ans = ans2;
            }
            else ans = -1;
            if(ans <= 0) {
                puts("Drong is strong.");
            }
            else printf("%.2lf\n", ans);
        }
    }
    return 0;
}


做完这题,我又想到了一次做bc的时候,遇到的一个一元三次方程求最值的问题,翻出来了。再a一次吧。。

题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=5105

题目的意思很是简单,(个人觉的,数学类的题目,比较经典的都是一些叙述简单明了的题目)。

题意:f(x) = |a * x^3 + b * x^2 + c * x + d |(L <= x <= R),求最大值。题意就是这么简单明了。

求最值,我们自然而然的就想到了,求导。

f'(x) = 3 *  a * x^2 + 2 * b * x + c。 求解导函数的解再和端点比较大小(我们需要确保解再L<= x <= R)。

我们知道在求解一元二次函数的解的时候,我们需要注意a = 0 的时候的特殊情况(任何求解一元二次方程的时候都不能忽略这一点)。

同样的我们在求解一元一次方程的时候(a*x + b = 0),也必须要注意这里的a = 0 的时候。

所以,需要注意的点:

1.各个值如果为0的时候,会产生什么样的结果。

2.在求解出解的时候,我们需要确保解在定义域内。

废话不多说,直接看代码Code:
#include <iostream>
#include <algorithm>
#include <cstdio>
#include <cstring>
#include <cmath>
#include <queue>
#include <stack>
#include <vector>
using namespace std;
double a0, b0, c0, d0, L, R;

double Fx(double x)
{
    return fabs(a0 * x * x * x + b0 * x * x + c0 * x + d0);
}

int main()
{
//    freopen("1.txt", "r", stdin);
    while(~scanf("%lf %lf %lf %lf %lf %lf", &a0, &b0, &c0, &d0, &L, &R)){
        double a = 3 * a0;
        double b = 2 * b0;
        double c = c0;
        double ans = max(Fx(L), Fx(R));
        if(a == 0){
            // b = 0 ?
            if(b == 0){
                if(L <= 0 && R >= 0)
                ans = max(ans, c);
            }
            else {
                double x = -c / b;
                if(x < L) x = L;
                if(x > R) x = R;
                ans = max(ans, Fx(x));
            }
            printf("%.2lf\n", ans);
            continue;
        }
        // a != 0
        double bb_4ac = b * b - 4 * a * c;
        if(bb_4ac > 0){
            double x1 = (-b + sqrt(bb_4ac)) / (2 * a);
            double x2 = (-b - sqrt(bb_4ac)) / (2 * a);
            if(x1 < L) x1 = L;
            if(x1 > R) x1 = R;
            if(x2 < L) x2 = L;
            if(x2 > R) x2 = R;
            ans = max(Fx(x1), ans);
            ans = max(Fx(x2), ans);
        }
        printf("%.2lf\n", ans);
    }
    return 0;
}



通过这两个题目,我们可以知道:

1.在不管求解各种方程的解的时候,我们都要注意各个常数为0的时候,会产生什么样的结果。

2.在求解一些物理问题的时候,我们所求解会有一定的物理意义,自己可以对应。

3.要分清楚情况,求好解。
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。
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