洛谷3943 星空

题目描述

逃不掉的那一天还是来了,小 F 看着夜空发呆。
天上空荡荡的,没有一颗星星——大概是因为天上吹不散的乌云吧。
心里吹不散的乌云,就让它在那里吧,反正也没有机会去改变什么了。
小 C 拿来了一长串星型小灯泡,假装是星星,递给小 F,想让小 F 开心一点。不过,有 着强迫症的小 F 发现,这串一共 n 个灯泡的灯泡串上有 k 个灯泡没有被点亮。小 F 决定 和小 C 一起把这个灯泡串全部点亮。
不过,也许是因为过于笨拙,小 F 只能将其中连续一段的灯泡状态给翻转——点亮暗灯 泡,熄灭亮灯泡。经过摸索,小 F 发现他一共能够翻转 m 种长度的灯泡段中灯泡的状态。
小 C 和小 F 最终花了很长很长很长很长很长很长的时间把所有灯泡给全部点亮了。他 们想知道他们是不是蠢了,因此他们找到了你,让你帮忙算算:在最优的情况下,至少需要 几次操作才能把整个灯泡串给点亮?

solution

这题第二个转化很巧妙,首先第一个比较简单的转化:转变为差分数组,然后每一次区间翻转就变成了单点翻转,并且我们发现只需要把所有的1变为0就可以达到要求了,但是这里有一个重要的细节,差分数组需要多加一位,因为修改 \([l,r+1]\),时可能会改出去,样例就是一个提醒.然后就是第二个转化,每一次我们翻转:如果翻转的两个位置都为1,那么就相当于消除,如果一个0一个1相当于移动,所以一对1可以看做移动了很多步然后消除,所以可以预处理出任意点对消除的步数,bfs处理即可,另外就是注意到1的个数不超过 \(16\),所以用预处理出来的东西,状压DP,类似于noip愤怒的小鸟了

#include <algorithm>
#include <iostream>
#include <cstdlib>
#include <cstring>
#include <cstdio>
#include <queue>
#include <cmath>
#define RG register
#define il inline
#define iter iterator
#define Max(a,b) ((a)>(b)?(a):(b))
#define Min(a,b) ((a)<(b)?(a):(b))
using namespace std;
typedef long long ll;
const int N=40005;
int n,Q,m,mov[N],st[N],top=0,id[N],DFN=0;bool a[N];
struct node{
    int x,y;
    node(){}
    node(int _x,int _y){x=_x;y=_y;}
};
queue<node>q;
struct way{
    int x,w;
}e[N];
int tot=0;bool vis[N];
inline void bfs(int S){
    int x,u,step;
    q.push(node(S,0));
    top=0;vis[S]=1;st[++top]=S;
    while(!q.empty()){
        x=q.front().x;step=q.front().y;
        q.pop();
        for(RG int i=1;i<=m;i++){
            for(int k=1;k<=2;k++){
                if(k==1)u=x+mov[i];
                else u=x-mov[i];
                if(u>n || vis[u] || u<1)continue;
                vis[u]=1;st[++top]=u;
                if(a[u]==1){
                    e[++tot].x=id[S]|id[u];
                    e[tot].w=step+1;
                    continue;
                }
                q.push(node(u,step+1));
            }
        }
    }
    while(top)vis[st[top]]=0,top--;
}

int f[1<<16];bool b[N];
void work()
{
    int x;
    scanf("%d%d%d",&n,&Q,&m);
    n++;
    for(int i=1;i<=Q;i++){
        scanf("%d",&x);
        b[x]=1;
    }
    for(int i=1;i<=n;i++)a[i]=b[i]^b[i-1];
    for(int i=1;i<=m;i++)scanf("%d",&mov[i]);
    for(int i=1;i<=n;i++)if(a[i])id[i]=(1<<DFN),DFN++;
    for(int i=1;i<=n;i++)
        if(a[i])bfs(i);
    
    memset(f,127/3,sizeof(f));
    f[0]=0;
    int lim=(1<<DFN)-1;
    for(RG int j=0;j<=lim;j++){
        for(RG int i=1;i<=tot;i++){
            if(j&e[i].x)continue;
            f[j|e[i].x]=Min(f[j|e[i].x],f[j]+e[i].w);
        }
    }
    printf("%d\n",f[lim]);
}

int main()
{
    work();
    return 0;
}

转载于:https://www.cnblogs.com/Yuzao/p/7803907.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