【TopCoder SRM 551 Div2】Solutions

【250】

  Beaver Bindu has some colored bricks. Each color is described by an uppercase letter. Bricks of each color all look exactly the same. You are given a string bricks. Each character of bricks represents the color of one of Bindu's bricks.
  Bindu wants to arrange all her bricks into a row. A row of bricks is nice if there is at most one pair of adjacent bricks which have different colors.
  Return the number of ways in which Bindu can form a nice row, using all her bricks. (Two ways are considered identical if they correspond to the same sequence of brick colors.) 

  显然,如果只有一种颜色,就只有一中排列方案;如果有两种颜色(A、B),就只有两种方案(AB、BA);如果有大于两种颜色,就没有符合题意的方案

class ColorfulBricks{
	public:
		int countLayouts(string s){
			int cnt[100],num=0;
			memset(cnt,0,sizeof(cnt));
			for(int i=0;i<s.size();i++)
				if(cnt[s[i]-'A']) cnt[s[i]-'A']++;
				else cnt[s[i]-'A']++,num++;
			if(num>2) return 0;
			else return num;
		}
};

 

【500】

  Beaver Bindu has some chocolates arranged in a row. The wrapping of each chocolate has a single color. Multiple chocolates can share the same color. In this problem, each of the possible colors is represented by an uppercase letter. You are given a string chocolates. For each i, the i-th chocolate (0-based index) in the row has the color chocolates[i].

  The spread of a row of chocolates is the maximum number of adjacent chocolates that all share the same color. Formally, the spread can be defined as the maximum value of (j-i+1), where i <= j and all the chocolates in the positions between i and j, inclusive, have the same color.

  You are also given an int maxSwaps. Bindu can swap any two adjacent chocolates. She has decided to make at most maxSwaps such swaps. 

  Return the maximum spread she can obtain.

  因为所给的n很小(n≤50),所以幂次的方法也可以接受。

  枚举一个字母为“参照物”,它是不动的,而其他的围绕着它来交换并向它靠拢。处理完所有相同字母的距离之后,将距离排序,从小到大相加,直到最大且小于等于maxstep,更新答案。

template<class T>inline void gmax(T &a,T b){if(a<b)a=b;}
template<class T>inline void gmin(T &a,T b){if(a>b)a=b;}

class ColorfulChocolates{
	public:
		int maximumSpread(string s,int k){
			int dist[200],len=s.size(),ans=0;
			for(int i=0;i<len;i++){
				memset(dist,0x7f,sizeof(dist));
				int cnt=0;
				for(int j=i+1;j<len;j++)
					if(s[i]==s[j])
						cnt++,dist[j]=j-i-cnt;
				cnt=0;
				for(int j=i-1;j>=0;j--)
					if(s[i]==s[j])
						cnt++,dist[j]=i-j-cnt;
				sort(dist,dist+len);
				int tmp=0,x=0,t_ans=1;
				while(tmp+dist[x]<=k)
					tmp+=dist[x],t_ans++,x++;
				gmax(ans,t_ans);
			}
			return ans;
		}
};

 

【950】

  Beaver Bindu has N cupcakes. Each cupcake has one of three possible colors. In this problem we will represent the colors by uppercase letters 'A', 'B', and 'C'. Two cupcakes of the same color are indistinguishable. You are given a string cupcakes consisting of exactly N characters. Each character in cupcakes gives the color of one of Bindu's cupcakes. 

  Bindu has N friends, sitting around a round table. She wants to give each friend one of the cupcakes. Moreover, she does not want to give cupcakes of the same color to any pair of friends who sit next to each other. 

  Let X be the number of ways in which she can hand out the cupcakes to her friends. As X can be very large, compute and return the value (X modulo

1,000,000,007).

  五维DP:f[x][i][j][k][l]表示前x个数,用了i个A,j个B,k个C,第x-1位是l(l=1,2,3) 的方案数,至于首尾不相同的问题,可以枚举第一个的颜色,然后后面的DP。

class ColorfulCupcakesDivTwo{
	public:
		int countArrangements(string s){
			const int BASE=1000000007;
			int f[51][51][51][51][4],A(0),B(0),C(0),n=s.size(),ans(0);
			for(int i=0;i<n;i++)
				if(s[i]=='A') A++;
				else if(s[i]=='B') B++;
				else C++;
			for(int start=1;start<=3;start++){
				memset(f,0,sizeof(f));
				if(start==1) f[1][1][0][0][1]=1;
				else if(start==2) f[1][0][1][0][2]=1;
				else f[1][0][0][1][3]=1;
				for(int x=2;x<=n;x++)
					for(int i=0;i<=A;i++)
						for(int j=0;j<=B;j++)
							for(int k=0;k<=C;k++)
								if((i+j+k)==x){
									if(i) 	f[x][i][j][k][1]=(f[x][i][j][k][1]+f[x-1][i-1][j][k][3])%BASE,
	    									f[x][i][j][k][1]=(f[x][i][j][k][1]+f[x-1][i-1][j][k][2])%BASE; 
									if(j)	f[x][i][j][k][2]=(f[x][i][j][k][2]+f[x-1][i][j-1][k][1])%BASE,
											f[x][i][j][k][2]=(f[x][i][j][k][2]+f[x-1][i][j-1][k][3])%BASE;
									if(k)	f[x][i][j][k][3]=(f[x][i][j][k][3]+f[x-1][i][j][k-1][1])%BASE,
											f[x][i][j][k][3]=(f[x][i][j][k][3]+f[x-1][i][j][k-1][2])%BASE;
								}
				ans=ans+(f[n][A][B][C][1]+f[n][A][B][C][2]+f[n][A][B][C][3]-f[n][A][B][C][start])%BASE;
			}
			return ans%BASE;
		}
};

   但是,上面这种代码是错误的!!!!自己算算多少空间把……绝对会开爆了内存。怎么办怎么办?

   我们发现在转移时总是i+j+k==x,所以k=x-i-j,当i和j一定时,枚举k是多余的,所以可以压掉一维,正确代码如下:

 

class ColorfulCupcakesDivTwo{
	public:
		int countArrangements(string s){
			int A(0),B(0),C(0),n=s.size(),ans=0;
			const int BASE=1000000007;
			int f[51][51][51][4];
			for(int i=0;i<n;i++){
				if(s[i]=='A') A++;
				else if(s[i]=='B') B++;
				else C++;
			}
			for(int start=1;start<=3;start++){
				memset(f,0,sizeof(f));
				if(start==1) f[1][1][0][1]=1;
				else if(start==2) f[1][0][1][2]=1;
				else f[1][0][0][3]=1;
				for(int x=2;x<=n;x++)
					for(int i=0;i<=A;i++)
						for(int j=0;j<=B;j++){
									if(i)	f[x][i][j][1]=(f[x][i][j][1]+f[x-1][i-1][j][3])%BASE,
											f[x][i][j][1]=(f[x][i][j][1]+f[x-1][i-1][j][2])%BASE;
									if(j)	f[x][i][j][2]=(f[x][i][j][2]+f[x-1][i][j-1][1])%BASE,
											f[x][i][j][2]=(f[x][i][j][2]+f[x-1][i][j-1][3])%BASE;
									if(x-i-j)	f[x][i][j][3]=(f[x][i][j][3]+f[x-1][i][j][1])%BASE,
												f[x][i][j][3]=(f[x][i][j][3]+f[x-1][i][j][2])%BASE;
						}
				ans=(ans+(f[n][A][B][1]+f[n][A][B][2]+f[n][A][B][3]-f[n][A][B][start])%BASE)%BASE;
			}
			return ans;
		}
};

 

 

  人生第一次TC,最后一题因为最后时刻没有点Compile而直接submit失去了AK的机会,分数只有670分(Cha人家的很爽)。名字颜色变成黄色了,下次只能做Div1了,不知道Div1的题目有多难。反正Div2感觉是挺水的。

转载于:https://www.cnblogs.com/Delostik/archive/2012/08/05/2623563.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
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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