BZOJ 1185: [HNOI2007]最小矩形覆盖 [旋转卡壳]

1185: [HNOI2007]最小矩形覆盖

Time Limit: 10 Sec  Memory Limit: 162 MBSec  Special Judge
Submit: 1435  Solved: 653
[Submit][Status][Discuss]

Description

 

Source

计算几何 vfleaking提供Spj


 

 

竟然1A了........哈哈哈哈哈哈哈哈哈哈

首先猜有一条边是凸边上的边(理由:不是的话我不会做)

然后旋转卡壳,最上面就是距离最远的点,最右面是点积最大,最左面是点积最小

然后就是各种向量运算 我用了v和u分别是宽和高方向的单位向量,感觉挺方便的....

 

#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <cmath>
#include <vector>
using namespace std;
typedef long long ll;
const int N=5e4+5,INF=1e9;
const double eps=1e-8;

inline int sgn(double x){
    if(abs(x)<eps) return 0;
    else return x<0?-1:1;
}

struct Vector{
    double x,y;
    Vector(double a=0,double b=0):x(a),y(b){}
    bool operator <(const Vector &a)const{
        return sgn(y-a.y)<0||(sgn(y-a.y)==0&&sgn(x-a.x)<0);
    }
};
typedef Vector Point;
Vector operator +(Vector a,Vector b){return Vector(a.x+b.x,a.y+b.y);}
Vector operator -(Vector a,Vector b){return Vector(a.x-b.x,a.y-b.y);}
Vector operator *(Vector a,double b){return Vector(a.x*b,a.y*b);}
Vector operator /(Vector a,double b){return Vector(a.x/b,a.y/b);}
bool operator ==(Vector a,Vector b){return sgn(a.x-b.x)==0&&sgn(a.y-b.y)==0;}
double Dot(Vector a,Vector b){return a.x*b.x+a.y*b.y;}
double Cross(Vector a,Vector b){return a.x*b.y-a.y*b.x;}

double Len(Vector a){return sqrt(Dot(a,a));}
double Len2(Vector a){return Dot(a,a);}
double DisTL(Point p,Point a,Point b){
    Vector v1=p-a,v2=b-a;
    return abs(Cross(v1,v2)/Len(v2));
}
int ConvexHull(Point p[],int n,Point ch[]){
    sort(p+1,p+1+n);
    int m=0;
    for(int i=1;i<=n;i++){
        while(m>1&&sgn(Cross(ch[m]-ch[m-1],p[i]-ch[m-1]))<=0) m--;
        ch[++m]=p[i];
    }
    int k=m;
    for(int i=n-1;i>=1;i--){
        while(m>k&&sgn(Cross(ch[m]-ch[m-1],p[i]-ch[m-1]))<=0) m--;
        ch[++m]=p[i];
    }
    if(n>1) m--;
    return m;
}
Point pos[5];
void RotatingCalipers(Point p[],int n){
    double ans=INF;
    p[n+1]=p[1];
    int j=1,k=1,l=1;
    for(int i=1;i<=n;i++){
        while(sgn(DisTL(p[j],p[i],p[i+1])-DisTL(p[j+1],p[i],p[i+1]))<=0) j=j%n+1;
        while(sgn(Dot(p[k]-p[i],p[i+1]-p[i])-Dot(p[k+1]-p[i],p[i+1]-p[i]))<=0) k=k%n+1;
        if(i==1) l=j;
        while(sgn(Dot(p[l]-p[i],p[i+1]-p[i])-Dot(p[l+1]-p[i],p[i+1]-p[i]))>=0) l=l%n+1;
        double len=Len(p[i+1]-p[i]);
        double h=DisTL(p[j],p[i],p[i+1]),
                w=Dot(p[k]-p[i],p[i+1]-p[i])/len+abs(Dot(p[l]-p[i],p[i+1]-p[i])/len);
        if(h*w<ans){
            Vector v=(p[i+1]-p[i])/len;
            Vector u(-v.y,v.x);
            ans=h*w;
            pos[1]=v*Dot(p[l]-p[i],v)+p[i];
            pos[2]=v*Dot(p[k]-p[i],v)+p[i];
            pos[3]=pos[2]+u*h;
            pos[4]=pos[1]+u*h;
        }
    }
    int mn=1;
    for(int i=2;i<=4;i++) if(pos[i]<pos[mn]) mn=i;
    printf("%lf\n",ans);
    for(int i=mn;i<=4;i++) printf("%lf %lf\n",pos[i].x,pos[i].y);
    for(int i=1;i<mn;i++) printf("%lf %lf\n",pos[i].x,pos[i].y);
}

int n;
Point p[N],ch[N];
int main(int argc, const char * argv[]) {
    scanf("%d",&n);
    for(int i=1;i<=n;i++) scanf("%lf%lf",&p[i].x,&p[i].y);
    n=ConvexHull(p,n,ch);
    RotatingCalipers(ch,n);
    
}

 

 

 

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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