hihocoder 1237 Farthest Point

#1237 : Farthest Point

时间限制:5000ms
单点时限:1000ms
内存限制:256MB

描述

Given a circle on a two-dimentional plane.

Output the integral point in or on the boundary of the circle which has the largest distance from the center.

输入

One line with three floats which are all accurate to three decimal places, indicating the coordinates of the center x, y and the radius r.

For 80% of the data: |x|,|y|<=1000, 1<=r<=1000

For 100% of the data: |x|,|y|<=100000, 1<=r<=100000

输出

One line with two integers separated by one space, indicating the answer.

If there are multiple answers, print the one with the largest x-coordinate.

If there are still multiple answers, print the one with the largest y-coordinate.

 

样例输入
1.000 1.000 5.000
样例输出
6 1


分析:

题目大意

给定平面直角坐标系中的一个圆,求圆内(可以在边界上)离圆心最远的整点。

解题思路

本题是一道简单的计算几何类题目。

要求园内的整点,即xy坐标均为整数的点,首先我们需要求出可能的xy的范围。

先考虑x,显然x的上下界分别为x+rx-r

由于题目给定的xr均为实数,因此x+rx-r也可能不为整数。

所以实际上包含在圆内的x坐标上下界分别为floor(x+r)ceil(x-r)。(floor表示下取整,ceil表示上取整),(如果使用强制转换类型则当(x+r)< 0 时会出错

在确定了x以后,其对应的y坐标范围也可以随之确定。如下图所示,根据勾股定理,我们即可求出d的长度。

同时可以得到对应的y坐标上下界为y+dy-d。显然这两个值也有可能不为整数。

因此实际的y坐标范围为floor(y+d)ceil(y-d)

通过这两个步骤,我们就可以得到所有在圆内的点:

For tx = floor(x+r) .. ceil(x-r)
    d = sqrt(r*r - (tx-x)*(tx-x)) // 勾股定理
    For ty = floor(y+d) .. ceil(y-d)
        // (tx, ty) 是在圆内的点
        // 更新比较最优点
    End For
End For

由于本题给定的r长度最大为100,000,则可能出现在圆内的点最大可能为314亿个点。

直接枚举每个点来寻找最优值显然是不合理的,我们需要优化这个算法。

通过观察我们可以发现,在确定x坐标之后,所有的y坐标中越靠近两端的点一定比靠近中间的点离圆心远。

所以实际上我们只需要比较最两端的两个点,他们之中离圆心最远的点一定就是该x坐标下离圆心最远的点。

因此改进算法为:

ret_x = x
ret_y = y
For tx = floor(x+r) .. ceil(x-r)
    d = sqrt(r*r - (tx-x)*(tx-x)) // 勾股定理
    // 由于要求最大值,我们先考虑y坐标较大的一边
    ty = floor(y+d)
    If (tx,ty) is better than (ret_x, ret_y) Then
        ret_x = tx
        ret_y = ty
    End If
    // 再考虑坐标值较小的一边
    ty = ceil(y-d)
    If (tx,ty) is better than (ret_x, ret_y) Then
        ret_x = tx
        ret_y = ty
    End If
End For

使用改进的算法时间复杂度为O(R),可以顺利的通过所有的测试点。

关于精度问题

在计算几何的计算中,精度问题是一个很常见的问题。

这是由于计算机存储浮点数时保留的精度有限而产生的。

即使用两个实型变量来存储同一个数字,都有可能产生误差。

因此在判定实型变量大小关系时,若直接采用=,><进行比较,很有可能出错。

一般常见的解决方法是设定一个极小量epsilon(一般写作eps)来辅助比较。

比如判定两个浮点数是否相等时,我们检查两个浮点数之间的差值。若差值小于eps时,我们就认为这两个浮点数相等:

equals(double x, double y):
    eps = 1e-6 // 根据题目要求的精度范围来设定eps
    If (abs(x - y) < eps) Then
        Return True
    End If
    Return false

同样,其它比较符号也需要做对应的修改,具体可以参考下表:

原符号      修正
a == b      abs(a-b) < eps
a != b      abs(a-b) > eps
a > b       a-b > eps
a >= b      a-b > -eps
a < b       a-b < -eps
a <= b      a-b < eps

出错点:将初始点设置为圆心。。。。试了很多次都没有完全对。。。于是采用了另一种办法,如下代码:
 1 #include <stdio.h>
 2 #include <math.h>
 3 
 4 double dis(double x, double y, double tx, double ty){
 5     double dist = sqrt((tx - x) * (tx - x) + (ty - y) * (ty - y));
 6     return dist;
 7 }
 8 
 9 int main(){
10     double eps = 1e-7;
11     double x, y, r;
12     int ret_x, ret_y, tx, ty;
13     double max = 0;
14     scanf("%lf%lf%lf", &x, &y, &r);
15     for(tx = floor(x+r); tx >= ceil(x-r); tx--){
16         double d = sqrt(r*r - (tx - x) * (tx - x));
17         ty = floor(y + d);
18         if(dis(x, y, tx, ty) - max > eps){
19             ret_x = tx;
20             ret_y = ty;
21             max = dis(x, y, tx, ty);
22         }
23         ty = ceil(y - d);
24         if(dis(x, y, tx, ty) - max > eps){
25             ret_x = tx;
26             ret_y = ty;
27             max = dis(x, y, tx, ty);
28         }
29     }
30     printf("%d %d", ret_x, ret_y);
31     return 0;
32 }
 
     

 

 

转载于:https://www.cnblogs.com/qinduanyinghua/p/5782149.html

  • 0
    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
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