week9作业C

题意:
SDUQD 旁边的滨海公园有 x 条长凳。第 i 个长凳上坐着 a_i 个人。这时候又有 y 个人将来到公园,他们将选择坐在某些公园中的长凳上,那么当这 y 个人坐下后,记k = 所有椅子上的人数的最大值,那么k可能的最大值mx和最小值mn分别是多少。
input:
第一行包含一个整数 x (1 <= x <= 100) 表示公园中长椅的数目

第二行包含一个整数 y (1 <= y <= 1000) 表示有 y 个人来到公园

接下来 x 个整数 a_i (1<=a_i<=100),表示初始时公园长椅上坐着的人数
output:
输出 mn 和 mx
sample input:
3

7

1

6

1
sample output:
6 13
样例解释:
最初三张椅子的人数分别为 1 6 1

接下来来了7个人。

可能出现的情况为{1 6 8},{1,7,7},…,{8,6,1}

相对应的k分别为8,7,…,8

其中,状态{1,13,1}的k = 13,为mx

状态{4,6,5}和状态{5,6,4}的k = 6,为mn
思路:
由题意可知最多人的情况就是所有新来的人坐到原来最多人的凳子上。最小值的情况是对原来凳子上的人进行排序,出去最多人其余凳子上的人数加起来加上新来的人数如果小于等于最多人凳子上的人数*(x-1)张凳子数,那么说明最小值是原来人数最多的凳子上的人数,否则如果在二者相减多出来的数在x张凳子上平均分配,得出人数。
代码:

#include<iostream>
#include<algorithm>
using namespace std;
int main()
{
	int x;
	cin>>x;
	int y;
	cin>>y;
	int a[101];
	for(int i=0;i<x;i++)
	{
		cin>>a[i];
	}
	sort(a,a+x);
	int mx=-1,mn=-1;
	mx=a[x-1]+y;
	int sum=0;
	for(int i=0;i<x-1;i++)
	{
		sum=sum+a[i];
	}
	if(sum+y<=(x-1)*a[x-1])
	{
		mn=a[x-1];
	}
	else
	{
		int ui=sum+y-a[x-1]*(x-1);
		int op=ui/x;
		int io=ui%x;
		if(io==0)
		{
			mn=op+a[x-1];
		}
		else
		{
			mn=op+a[x-1]+1;
		}
	}
	cout<<mn<<" "<<mx;
	return 0;
}
  • 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,即定位图像中目标的位置并识别目标的类别。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,即定位图像中目标的位置并识别目标的类别。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