codevs 1063 合并果子 优先队列相关

1063 合并果子

 2004年NOIP全国联赛普及组
 时间限制: 1 s
 空间限制: 128000 KB
 题目等级 : 钻石 Diamond
 
 
 
题目描述 Description

  在一个果园里,多多已经将所有的果子打了下来,而且按果子的不同种类分成了不同的堆。多多决定把所有的果子合成一堆。


    每一次合并,多多可以把两堆果子合并到一起,消耗的体力等于两堆果子的重量之和。可以看出,所有的果子经过n-1次合并之后,就只剩下一堆了。多多在合并果子时总共消耗的体力等于每次合并所耗体力之和。


    因为还要花大力气把这些果子搬回家,所以多多在合并果子时要尽可能地节省体力。假定每个果子重量都为1,并且已知果子的种类数和每种果子的数目,你的任务是设计出合并的次序方案,使多多耗费的体力最少,并输出这个最小的体力耗费值。


    例如有3种果子,数目依次为1,2,9。可以先将1、2堆合并,新堆数目为3,耗费体力为3。接着,将新堆与原先的第三堆合并,又得到新的堆,数目为12,耗费体力为12。所以多多总共耗费体力=3+12=15。可以证明15为最小的体力耗费值。

输入描述 Input Description

 输入包括两行,第一行是一个整数n(1<=n<=10000),表示果子的种类数。第二行包含n个整数,用空格分隔,第i个整数ai(1<=ai<=20000)是第i种果子的数目。

输出描述  Output Description

输出包括一行,这一行只包含一个整数,也就是最小的体力耗费值。输入数据保证这个值小于231。

样例输入 Sample Input


1 2 9

样例输出 Sample Output

15

数据范围及提示 Data Size & Hint

对于30%的数据,保证有n<=1000: 
对于50%的数据,保证有n<=5000; 
对于全部的数据,保证有n<=10000。

------------------------------------------------------------------------------------------------------------------------

刚开始没看清题意,以为要按照顺序合并,结果码了DP;后来明白题意后,才知道这道题并不难,运用优先队列水过。

讲一下优先队列:

普通的队列的元素遵循先进先出,后进后出的原则,但在优先队列里,每个元素被赋予优先级,优先级较高的最先出列。定义优先队列时默认为大根堆,即元素越大优先级越高,越先出列

看了别人的博客才知道:优先队列的时间复杂度为O(logn),n为队列中元素的个数,其存取都需要时间。

优先队列用之前需声明:

#include<queue>

using namespace std;

priority_queue <元素类型> 队列名;

五种操作(例如声明了一个这样的优先队列:priority_queue <int> que):

que.push(x) //往队列中添加一个元素x;

que.top() //取出队头元素,但不删除;

que.pop() //删除队头元素;

que.size() //返回队列中元素的个数;

que.empty() //判断队列是否为空,若为空,则为真,反之则反。

P.S. 若要把队列变成“小根堆”,可以push(-x),在元素前加个负号,取出时再把负号去掉。

AC代码:

 1 #include<stdio.h>
 2 #include<string.h>
 3 #include<iostream>
 4 #include<queue>
 5 using namespace std;
 6 priority_queue <int> que;
 7 int n;
 8 long long ans;
 9 int main()
10 {
11     scanf("%d",&n);
12     for(int i=1,x;i<=n;i++){
13         scanf("%d",&x);
14         que.push(-x);
15     }
16     ans=0;
17     for(int i=1;i<n;i++){
18         int tmp=que.top();
19         que.pop();
20         tmp+=que.top();
21         ans-=tmp;
22         que.pop();
23         que.push(tmp);
24     }
25     printf("%lld",ans);
26     return 0;
27 }
优先队列

 

-------------------------------------------------------------------------------------------------------------------

因为有需要用到元素为结构体类型的优先队列,故又回来学习了一波。

要想实现元素为结构体类型,需要定义重载运算符,以队列dd为例,可以分为两种。

第一种是在结构体定义外定义重载运算符:

1 struct node{
2     int a,b;
3 };
4 bool operator <(const node& x,const node& y){
5     return x.a < y.a; //大根堆 
6 } 
7 priority_queue<node> dd;
外定义

以上情况为大根堆,注意x,y位置不能颠倒,可以这样记忆:队列队头一般在最右边,大根堆的队头为最大,所以为小于号;如果为大于号,则为小根堆。

另一种当然为内定义:

1 struct node{
2     int a,b;
3     bool operator < (const node& t)const{
4         return a<t.a;//大根堆 
5     }
6 };
7 priority_queue<node> dd;
内定义

以上情况也为大根堆,同样a和t.a的位置不能颠倒;如果为大于号,则为小根堆。

这样定义之后,以上的优先队列操作正常使用,只是添加的元素,要为结构体类型,以上为例:node t;dd.push(t);

测试代码:

操作:给出n个元素,把队中元素按参数a从大到小输出,若a相等,则按参数b从小到大输出。

 1 #include<stdio.h>
 2 #include<string.h>
 3 #include<queue>
 4 using namespace std;
 5 struct node{
 6     int a,b;
 7     bool operator < (const node& t)const{  //内定义 
 8         if(a==t.a) return b>t.b;//小根堆 
 9         return a<t.a;//大根堆 
10     }
11 };
12 priority_queue<node> dd;
13 //bool operator <(const node& x,const node& y){  //外定义 
14 //    if(x.a==y.a) return x.b>y.b;//小根堆 
15 //    return x.a<y.a;//大根堆 
16 //}  
17 int n;
18 int main(){
19     scanf("%d",&n);
20     for(int i=1;i<=n;i++){
21         node t;
22         scanf("%d %d",&t.a,&t.b);
23         dd.push(t);
24     }
25     for(int i=1;i<=n;i++) printf("%d %d\n",dd.top().a,dd.top().b),dd.pop();//把队中元素按参数a从大到小输出,若a相等,则按参数b从小到大输出 
26     return 0;
27 }
Test

 

转载于:https://www.cnblogs.com/lpl-bys/p/7397288.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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