pku3264 Balanced Lineup (RMQ)

题意:给你一个序列,之后又Q次询问,每次都是询问一个区间内最大值与最小值的差

分析:RMQ,求区间最值

RMQ(Range Minimum/Maximum Query)问题:  

     RMQ问题是求给定区间中的最值问题。当然,最简单的算法是O(n)的,但是对于查询次数很多(设置多大100万次),O(n)的算法效率不够。可以用线段树将算法优化到O(logn)(在线段树中保存线段的最值)。不过,Sparse_Table算法才是最好的:它可以在O(nlogn)的预处理以后实现O(1)的查询效率。下面把Sparse Table算法分成预处理和查询两部分来说明(以求最小值为例)。

   预处理: 预处理使用DP的思想,f(i, j)表示[i, i+2^j - 1]区间中的最小值,我们可以开辟一个数组专门来保存f(i, j)的值。 例如,f(0, 0)表示[0,0]之间的最小值,就是num[0], f(0, 2)表示[0, 3]之间的最小值, f(2, 4)表示[2, 17]之间的最小值 注意, 因为f(i, j)可以由f(i, j - 1)和f(i+2^(j-1), j-1)导出, 而递推的初值(所有的f(i, 0) = i)都是已知的 所以我们可以采用自底向上的算法递推地给出所有符合条件的f(i, j)的值。

   查询: 假设要查询从m到n这一段的最小值, 那么我们先求出一个最大的k, 使得k满足2^k <(n - m + 1). 于是我们就可以把[m, n]分成两个(部分重叠的)长度为2^k的区间: [m, m+2^k-1], [n-2^k+1, n]; 而我们之前已经求出了f(m, k)为[m, m+2^k-1]的最小值, f(n-2^k+1, k)为[n-2^k+1, n]的最小值 我们只要返回其中更小的那个, 就是我们想要的答案, 这个算法的时间复杂度是O(1)的. 例如, rmq(0, 11) = min(f(0, 3), f(4, 3)) 由此我们要注意的是预处理f(i,j)中的j值只需要计算log(n+1)/log(2)即可,而i值我们也只需要计算到n-2^k+1即可。

以上来自此博客http://www.cnblogs.com/cnjy/archive/2009/08/30/1556566.html

不过也写了一个线段树版本的

RMQ
#include<iostream>
#include<algorithm>
#include<math.h>
#define MAXN 50000+10
using namespace std;
int dpmax[MAXN][20],dpmin[MAXN][20],n;
int a[MAXN];
void init()
{
memset(dpmax,0,sizeof(dpmax));
memset(dpmin,0,sizeof(dpmin));
for(int i=1;i<=n;i++)
{
dpmax[i][0]=a[i];
dpmin[i][0]=a[i];
}
for(int j=1;j<=log((double)(n+1))/log(2.0);j++)
{
int limit=n+1-(1<<j);
for(int i=1;i<=limit;i++)
{
dpmax[i][j]=max(dpmax[i][j-1],dpmax[i+(1<<(j-1))][j-1]);
dpmin[i][j]=min(dpmin[i][j-1],dpmin[i+(1<<(j-1))][j-1]);
}
}
}
int get_sub(int a,int b)
{
int k=(int)(log((double)(b-a+1))/log(2.0));
int maxn=max(dpmax[a][k],dpmax[b-(1<<k)+1][k]);
int minn=min(dpmin[a][k],dpmin[b-(1<<k)+1][k]);
return maxn-minn;
}
int main()
{
int Q,l,r;
while(scanf("%d %d",&n,&Q)==2)
{
for(int i=1;i<=n;i++)
scanf("%d",&a[i]);
init();
while(Q--)
{
scanf("%d %d",&l,&r);
printf("%d\n",get_sub(l,r));
}
}
return 0;
}
线段树版
#include<stdio.h>
#include<limits.h>
#define N 50010
#define MAX(x,y) (x)>(y)?(x):(y)
#define MIN(x,y) (x)<(y)?(x):(y)
struct node
{
int r,l,min,max;
}p[N*3];
int que[N];
void bulid(int k,int s,int t)
{
int kr,kl,mid,a,b;
p[k].l=s;p[k].r=t;
if(s==t)
{
p[k].max=p[k].min=que[s];
}
else {
mid=(s+t)>>1;kl=k<<1;kr=kl+1;
bulid(kl,s,mid);
bulid(kr,mid+1,t);
p[k].max=MAX(p[kl].max,p[kr].max);
p[k].min=MIN(p[kl].min,p[kr].min);
}
}
int query_max(int k,int s,int t)
{
if(s<=p[k].l&&t>=p[k].r)
return p[k].max;
int mid=(p[k].l+p[k].r)>>1,kl=k<<1,kr=kl+1;
int a=0,b=0;
if(s<=mid) a=query_max(kl,s,t);
if(t>mid) b=query_max(kr,s,t);
return MAX(a,b);
}
int query_min(int k,int s,int t)
{
if(s<=p[k].l&&t>=p[k].r)
return p[k].min;
int mid=(p[k].l+p[k].r)>>1,kl=k<<1,kr=kl+1;
int a=INT_MAX,b=INT_MAX;
if(s<=mid) a=query_min(kl,s,t);
if(t>mid) b=query_min(kr,s,t);
return MIN(a,b);
}
int main()
{
int i,n,m,a,b;
while(scanf("%d %d",&n,&m)!=EOF)
{
for(i=1;i<=n;i++)
scanf("%d",&que[i]);
bulid(1,1,n);
for(i=1;i<=m;i++)
{
scanf("%d %d",&a,&b);
printf("%d\n",query_max(1,a,b)-query_min(1,a,b));
}
}
return 0;
}



转载于:https://www.cnblogs.com/nanke/archive/2012/02/16/2354882.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在信号处理领域,DOA(Direction of Arrival)估计是一项关键技术,主要用于确定多个信号源到达接收阵列的方向。本文将详细探讨三种ESPRIT(Estimation of Signal Parameters via Rotational Invariance Techniques)算法在DOA估计中的实现,以及它们在MATLAB环境中的具体应用。 ESPRIT算法是由Paul Kailath等人于1986年提出的,其核心思想是利用阵列数据的旋转不变性来估计信号源的角度。这种算法相比传统的 MUSIC(Multiple Signal Classification)算法具有较低的计算复杂度,且无需进行特征值分解,因此在实际应用中颇具优势。 1. 普通ESPRIT算法 普通ESPRIT算法分为两个主要步骤:构造等效旋转不变系统和估计角度。通过空间平移(如延时)构建两个子阵列,使得它们之间的关系具有旋转不变性。然后,通过对子阵列数据进行最小二乘拟合,可以得到信号源的角频率估计,进一步转换为DOA估计。 2. 常规ESPRIT算法实现 在描述中提到的`common_esprit_method1.m`和`common_esprit_method2.m`是两种不同的普通ESPRIT算法实现。它们可能在实现细节上略有差异,比如选择子阵列的方式、参数估计的策略等。MATLAB代码通常会包含预处理步骤(如数据归一化)、子阵列构造、旋转不变性矩阵的建立、最小二乘估计等部分。通过运行这两个文件,可以比较它们在估计精度和计算效率上的异同。 3. TLS_ESPRIT算法 TLS(Total Least Squares)ESPRIT是对普通ESPRIT的优化,它考虑了数据噪声的影响,提高了估计的稳健性。在TLS_ESPRIT算法中,不假设数据噪声是高斯白噪声,而是采用总最小二乘准则来拟合数据。这使得算法在噪声环境下表现更优。`TLS_esprit.m`文件应该包含了TLS_ESPRIT算法的完整实现,包括TLS估计的步骤和旋转不变性矩阵的改进处理。 在实际应用中,选择合适的ESPRIT变体取决于系统条件,例如噪声水平、信号质量以及计算资源。通过MATLAB实现,研究者和工程师可以方便地比较不同算法的效果,并根据需要进行调整和优化。同时,这些代码也为教学和学习DOA估计提供了一个直观的平台,有助于深入理解ESPRIT算法的工作原理。
### 回答1: PKU VehicleID数据集是由北京大学智能交通与多媒体实验室提供的一个用于车辆识别的图像数据库。该数据集包含了车辆在不同环境、不同拍摄条件下的图像,旨在用于车辆相关研究的数据训练和测试。 PKU VehicleID数据集收集了超过8万辆车的图像,涵盖了2000多个车型和16000多个车例。这些图像是在不同的拍摄条件下捕捉到的,包括不同的光照、天气、角度和距离。这使得该数据集在车辆识别和相关研究领域具有较高的多样性和可用性。 PKU VehicleID数据集不仅提供了车辆图像,还包含了车辆的标注信息,如车辆类型、颜色、品牌等。这些标注信息为研究者提供了更多的可用数据,可以辅助他们进行车辆特征识别、车辆分类等相关研究。 PKU VehicleID数据集可以广泛应用于车辆识别、车辆检测、交通监控等领域的研究和实践中。通过利用该数据集,研究者可以进行车辆模型的建立与识别、车辆行为的分析与预测等工作,从而为智能交通和城市管理提供更好的技术支持和解决方案。 综上所述,PKU VehicleID数据集是一个丰富的车辆图像数据库,它提供了大量的车辆图像和标注信息,为车辆识别和相关研究领域的研究者提供了重要的资源和工具。通过该数据集的应用,我们可以更好地理解和研究车辆特征识别、车辆分类等问题,为智能交通和城市管理带来更多的创新和进步。 ### 回答2: PKU VehicleID数据集是由北京大学人工智能与自动化研究所于2016年发布的一个车辆检测和识别的数据集。这个数据集主要包含了来自北京市道路监控系统的车辆图像和相关的车辆属性信息。 PKU VehicleID数据集的特点主要有以下几点。首先,该数据集包含了非常大量的车辆图像,总计约50万张,涵盖了丰富的场景和车型样本。其次,这些图像都是以野外真实道路监控视频截取得到的,具有较高的真实性和复杂性。此外,数据集中的每一辆车都被分配了一个唯一的ID号码,用于标识和跟踪车辆。最后,PKU VehicleID数据集还提供了诸如车辆类型、颜色、品牌等属性信息,方便进行车辆属性识别和分类任务。 PKU VehicleID数据集在车辆检测、跟踪和识别领域有着广泛的应用价值。通过利用这个数据集,可以开展车辆检测算法的研究和性能评估。同时,也可以进行车辆属性识别、车型分类等应用任务的研究。这个数据集的发布对于提升车辆智能监控和交通管理系统的性能具有重要意义。此外,PKU VehicleID数据集还可以为自动驾驶、交通安全和交通流量分析等领域的研究提供有价值的实验数据基础。总之,PKU VehicleID数据集是一个丰富而有用的资源,为车辆相关研究提供了有力的支持。
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