UVA1619 栈维护递增序列

  •        先说这题的关键性质:每一个数应该只会计算一次,它有一个最小区间[L,R],即它在这个区间内是最小的,最小区间内任何包含它的子区间都不会大于F(L,R)=(a[L]+...+a[R])*min(a[l]..a[R]),只需要计算一次就可以不再计算其他子区间。
  • 利用这个性质,可以得到这样的做法,如果能知道任意区间的最小值,就能不断递归去删点,就能轻松分割出每个点的最小区间。可以用线段树在O(lgn)复杂度快速得到 区间的最小值及其下标,总时间复杂度就是O(nlgn)。

但是,理想是美好的,AC是做不到的,因为会出现栈溢出,递归共有n个节点,每个节点需要求一次最小值,利用线段树求最小值的复杂度是lgn,递归太深,当n=20000时就GAME OVER了,但是UVA给我返回一个WA是什么情况,害的我看了一天,也怪自己太年轻。刚才又改了一下直接超时了,看了必然要用O(n)的算法了。但是,上面说的方法一定是对的。


正确高效的做法就是利用栈维护一个递增序列。

例如对于数据3 1 6 4 5 2

当i=1时,a[i]=3,栈为空,那么3的区间下限就是1,下标1入栈

当i=2时,a[i]=1,栈顶为1,a[1]=3,大于a[2],出栈,此时栈又是空,1的下限为1,下标2入栈

当i=3时,a[i]=6,栈顶为2,a[2]=1,小于6,那么6的下限就是2+1,6的下标入栈

当i=4时,a[4]=4,栈顶为4,a[4]=6大于4,6出栈,此时站顶为a[2]=1,小于4,4的下限为2+1,4入栈

后面都是同样的道理,将序列的下标存入栈中,方便得到下限,当栈为空说明从1到当前位置这个区间它就是最小值,就直接把下限设为1,否则就等于比它小的那个数的下标+1

得到下限,然后原数组翻转用同样的方法就能得到上限,这样每个数的最下区间就找到了。

AC代码:

#include<cstdio>
#include<stack>
#include<algorithm>
using namespace std;
typedef long long LL;
const int maxn=1e5+5;
LL sum[maxn];
int left[maxn],right[maxn],d[maxn];
int n;
void solve(int *a,int *res){
	stack<int>sta; //记录下标 
	for(int i=1;i<=n;++i){
		while(!sta.empty()&&a[i]<=a[sta.top()]){
			sta.pop();
		}
		if(sta.empty()) res[i]=1;
		else res[i]=sta.top()+1;
		sta.push(i);	
	}
}
int main(){
	sum[0]=d[0]=0;
	int kase=0;
	while(scanf("%d",&n)==1){
		if(kase++) printf("\n");
		for(int i=1;i<=n;++i){
			scanf("%d",&d[i]);
			//d[i]=1000000;
			sum[i]=sum[i-1]+d[i];
		}
		solve(d,left);
		//反转
		int x=1,y=n;
		while(x<y){
			swap(d[x],d[y]);
			++x;
			--y;
		} 
		solve(d,right);
		x=1,y=n;
		while(x<y){
			swap(right[x],right[y]);
			++x;
			--y;
		} 
		for(int i=1;i<=n;++i) right[i]=n+1-right[i];
		LL ans=(LL)d[n]*d[n];
		int ll=1,rr=1;
		for(int i=1;i<=n;++i){
			int l=left[i],r=right[i];
			LL temp=(sum[r]-sum[l-1])*d[n-i+1];
			if(temp>ans){
				ll=l,rr=r;
				ans=temp;
			}
		}
		printf("%lld\n%d %d\n",ans,ll,rr);
	}
	return 0;
}

贴下线段树的做法(超时而且栈溢出):

#include<cstdio>
#include<algorithm>
#pragma comment(linker,"/STACK:1024000000,1024000000")
using namespace std;
typedef long long LL;
const int maxn=1e5+5;
LL sum[maxn];
int n;
int c=0;
struct point{
	LL val;
	int ind;
}tr[maxn*6];
point min(point &a,point &b){
	return a.val<b.val?a:b;
}
void Build(int l,int r,int cur){ //方便查找区间最小值 
	if(l==r) {
		++c;
		tr[cur].val=sum[c]-sum[c-1];
		tr[cur].ind=c;
		return;
	}
	int mid=(l+r)>>1;
	Build(l,mid,cur<<1);
	Build(mid+1,r,(cur<<1)+1);
	tr[cur]=min(tr[cur<<1],tr[(cur<<1)+1]);
}
point  Search(int l,int r,int ll,int rr,int cur){ //查找区间[l,r]的最小值 
	if(l==ll&&r==rr) return tr[cur];
	int mid=(ll+rr)>>1;
	if(r<=mid) return Search(l,r,ll,mid,cur<<1);
	else if(l>=mid+1) return Search(l,r,mid+1,rr,(cur<<1)+1);
	else {
		point a=Search(l,mid,ll,mid,cur<<1);
		point b=Search(mid+1,r,mid+1,rr,(cur<<1)+1);
		return min(a,b);
	}
}
struct node{
	int l,r;
	LL val;
	node(){
	}
	node(int l,int r,LL val):l(l),r(r),val(val){
	}
};
node max(node &a,node &b){
	return a.val>b.val?a:b;
}
node dfs(int x,int y){
	
	if(y<x) return node(1,1,sum[1]*sum[1]); 
	if(x==y) return node(x,y,(sum[y]-sum[y-1])*(sum[y]-sum[y-1]));
	
	point Min=Search(x,y,1,n,1);
	printf("%d %d %lld %d\n",x,y,Min.val,Min.ind);
	node ans=node(x,y,(sum[y]-sum[x-1])*Min.val);
	int ind=Min.ind;
	node a=dfs(x,ind-1);
	node b=dfs(ind+1,y);
	ans=max(ans,a);
	 
	return max(ans,b);
}
int main(){
	int kase=0;
	while(scanf("%d",&n)==1){
		if(kase++) {
			printf("\n");
		}
		int v;
		sum[0]=0;
		for(int i=1;i<=n;++i){
			scanf("%d",&v);
			sum[i]=sum[i-1]+v;
		}
		c=0;
		Build(1,n,1);
		node ans=dfs(1,n);
		printf("%lld\n%d %d\n",ans.val,ans.l,ans.r);
	}
	return 0;
}

如有不当之处欢迎指出!

转载于:https://www.cnblogs.com/flyawayl/p/8305476.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
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