UVALive - 5848 Soju

传送门 https://icpcarchive.ecs.baylor.edu/index.php?option=com_onlinejudge&Itemid=8&page=show_problem&problem=3859
让人印象深刻的一道题

思路 :
分治去求会TLE , but 暴力就好。。。。。。。ORZ

Dis(P1,P2)=|x1−x2|+|y1−y2|

因为题目保证第一部分的点的横坐标一定小于第二部分。

=x2−x1+|y1−y2|

然后分类讨论。当y1>=y2时,原式=(x2−y2)+(y1−x1)

我们可以想到,如果我们把全部的点混合起来,按照y从小到大排序。
如果当前的点是part1,那么y1−x1可以立刻算出来,而x2−y2可以通过维护前面的part2点的最小值的得来。

所以,我们一边维护x2−y2的最小值,一边维护ans。

所以当我们过一遍数组之后,就有了一个暂时的答案ans。

为什么是暂时的?
因为还要考虑y2>y1的情况。

同理,当y2>y1 时, 原式=(x2+y2)−(x1+y1).
可以维护x1+y1的最大值来得到ans。
重新扫描一遍数组。

#include <iostream>
#include <cstdio>
#include <cstring>
#include <cmath>
#include <algorithm>

using namespace std;
struct point
{
    int x,y;
    int ty;
};
point a[200010];

int cmpy(point a, point b)    //对点的y坐标排序;
{
    return a.y<b.y;
}

int dis(point a,point b)
{
    return abs(a.x - b.x) + abs(a.y - b.y);
}

int main()
{
    int t;
    scanf("%d",&t);
    while(t--)
    {
        int n, m;
        scanf("%d",&n);
        for(int i = 0; i < n; i++)
            scanf("%d %d",&a[i].x , &a[i].y), a[i].ty = 0;
        scanf("%d",&m);
        for( int j = 0; j < m; j++)
            scanf("%d %d",&a[n + j].x , &a[n + j].y), a[n + j].ty = 1;

        sort(a, a + n + m, cmpy);

        int i = 0, j = 0;
        int ans = 0x3f3f3f3f, tmp = 0x3f3f3f3f;
        for (int i = 0; i < n + m; i++)
        {
            if (a[i].ty)
                tmp = min(tmp,  a[i].x - a[i].y);
            else
                ans = min(ans, a[i].y - a[i].x + tmp);
        }
        tmp = -0x3f3f3f3f;
        for (int i = 0; i < n + m; i++)
        {
            if (a[i].ty)
                ans = min(ans, a[i].x + a[i].y - tmp);
            else
                tmp = max(tmp, a[i].x + a[i].y );
        }
        printf("%d\n",ans);
    }
    return 0;
}

TLE 的分治贴出来,

#include <iostream>
#include <algorithm>
#include <cstdio>
#include <cmath>
#include <cstdlib>

using namespace std;

struct POINT
{
    int x,y;
    int flag;
}point[200010],temp1[100010],temp2[100010];

int dis(POINT p1, POINT p2)
{
    if(p1.flag != p2.flag)
        return fabs(p1.x - p2.x)+ fabs(p1.y - p2.y);
    else
        return 100000000;
}

bool cmp(POINT a, POINT b)
{
    return a.x < b.x;
}

int findMin(int l, int r)
{
    if (l == r)
    {
        return 100000000;
    }
    if (l == r - 1)
    {
        return dis(point[l], point[r]);
    }
    int mid =(l + r) >> 1;
    int tmp1 = findMin(l,mid);
    int tmp2 = findMin(mid + 1, r);
    int Mindis,tmp;
    int i,j;
    Mindis = tmp1 < tmp2 ? tmp1 : tmp2;
    int cnt1 = 0;
    int cnt2 = 0;
    for (i = mid; i >= l; -- i)
    {
        if ((point[mid].x - point[i].x) < Mindis)
        {
            temp1[cnt1 ++] = point[i];
        }
    }
    for (i = mid + 1; i <= r; ++ i)
    {
        if ((point[i].x - point[mid].x) < Mindis)
        {
            temp2[cnt2 ++] = point[i];
        }
    }
    for (i = 0; i < cnt1; ++ i)
    {
        for (j = 0; j < cnt2; ++ j)
        {
            tmp = dis(temp1[i], temp2[j]);
            if (tmp < Mindis)
            {
                Mindis = tmp;
            }
        }
    }
    return Mindis;

}
int main()
{
    int n,i,t;
    int minDis ;
    scanf("%d", &t);
    while (t -- )
    {
        scanf("%d", &n);
        minDis = 100000000;
        for (i = 0; i < n; ++ i)
        {
            scanf("%d%d", &point[i].x, &point[i].y);
            point[i].flag = 1;
        }
        int m;
        scanf("%d",&m);
        for (int j = 1; j <= m; ++ j)
        {
            scanf("%d%d", &point[i].x, &point[i].y);
            point[i].flag = 2;
            i++;
        }
        n = n + m;

        sort(point, point + n, cmp);
        minDis = findMin(0, n-1);

        printf("%d\n", minDis);
    }
    return 0;
}
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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