[HNOI2017]礼物

题目链接:点这里

Solution:

把两个手镯都增加亮度,可以看做只增加一个手镯的亮度,设增加的亮度为x

则我们要求的是\(\sum_{i=1}^n(a_i+x-b_i)^2\)的最小值,我们把它拆开:
\[ \sum_{i=1}^n{a_i^2+b_i^2+2a_ib_i+x^2+2x(a_i+b_i)}\\ \sum_{i=1}^na_i^2+\sum_{i=1}^nb_i^2-2\sum_{i=1}^na_ib_i+nx^2+2x\sum_{i=1}^n(a_i-b_i) \]
可以看出最后两项构成一个二次函数,可以由对称轴来求出最小值

前两项则不会因为旋转而改变,所以我们现在只需要求出\(\sum_{i=1}^na_ib_i\)的最大值就行了

我们把a倍长,把b翻转,式子就变成了:\(\sum_{i=1}^{2n}a_ib_{2n-i-1}\),这显然是一个卷积

求出卷积后,找到n+1到2n中最大的一项,就是最大的\(\sum_{i=1}^n a_ib_i\)

不过要注意求出的对称轴不一定是整数,所以要取左右对比用最小值

Code:

#include<bits/stdc++.h>
#define Pi acos(-1.0)
#define ll long long
#define int long long 
using namespace std;
const int N=4e5+10;
const double eps=1e-2;
ll ans=1926081719491001;
int len=1,tim,rtt[N],a1,b1,a2,b2;
struct cp{double x,y;}A[N*2],B[N];
cp operator + (cp a,cp b){return (cp){a.x+b.x,a.y+b.y};}
cp operator - (cp a,cp b){return (cp){a.x-b.x,a.y-b.y};}
cp operator * (cp a,cp b){return (cp){a.x*b.x-a.y*b.y,a.y*b.x+a.x*b.y};}
void FFT(cp *a,int flag){
    for(int i=0;i<len;i++)
        if(i<rtt[i]) swap(a[i],a[rtt[i]]);
    for(int l=2;l<=len;l<<=1){
        cp wn=(cp){cos(flag*2*Pi/l),sin(flag*2*Pi/l)};
        for(int st=0;st<len;st+=l){
            cp w=(cp){1,0};
            for(int u=st;u<st+(l>>1);u++,w=w*wn){
                cp x=a[u],y=w*a[u+(l>>1)];
                a[u]=x+y,a[u+(l>>1)]=x-y;
            }
        }
    }
}
int read(){
    int x=0,f=1;char ch=getchar();
    while(!isdigit(ch)){if(ch=='-')f=-f;ch=getchar();}
    while(isdigit(ch)){x=x*10+ch-48;ch=getchar();}
    return x*f;
}
signed main(){
    int n=read(),m=read();
    while(len<=(3*n)) len<<=1,++tim;
    for(int i=0;i<len;i++)
        rtt[i]=(rtt[i>>1]>>1)|((i&1)<<(tim-1));
    for(int i=1;i<=n;i++){
        int x=read();
        A[i-1].x=x,A[i+n-1].x=x;
        a1+=x*x,a2+=x;
    }
    for(int i=1;i<=n;i++){
        int x=read();
        B[n-i].x=x;
        b1+=x*x,b2+=x;
    }
    FFT(A,1);FFT(B,1);
    for(int i=0;i<=len;i++) A[i]=A[i]*B[i];
    FFT(A,-1);for(int i=0;i<=len;i++) A[i].x=(int){A[i].x/len+0.5}; 
    int minn=(b2-a2)/n,u=ans;
    for(int i=-1,mn=minn+i;i<=1;i++,mn=minn+i)
        u=min(u,a1+b1+n*mn*mn+2ll*mn*(a2-b2));
    for(int i=0;i<n;i++){
        ll now=u-2ll*(ll)A[i+n].x;
        ans=min(ans,now);
    }printf("%lld\n",ans);
    return 0;
}

转载于:https://www.cnblogs.com/NLDQY/p/10799431.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