[HBU-实验]2-9 彩虹瓶 (20 分)

题目描述

题目
题目链接
彩虹瓶的制作过程(并不)是这样的:先把一大批空瓶铺放在装填场地上,然后按照一定的顺序将每种颜色的小球均匀撒到这批瓶子里。

假设彩虹瓶里要按顺序装 N 种颜色的小球(不妨将顺序就编号为 1 到 N)。现在工厂里有每种颜色的小球各一箱,工人需要一箱一箱地将小球从工厂里搬到装填场地。如果搬来的这箱小球正好是可以装填的颜色,就直接拆箱装填;如果不是,就把箱子先码放在一个临时货架上,码放的方法就是一箱一箱堆上去。当一种颜色装填完以后,先看看货架顶端的一箱是不是下一个要装填的颜色,如果是就取下来装填,否则去工厂里再搬一箱过来。

如果工厂里发货的顺序比较好,工人就可以顺利地完成装填。例如要按顺序装填 7 种颜色,工厂按照 7、6、1、3、2、5、4 这个顺序发货,则工人先拿到 7、6 两种不能装填的颜色,将其按照 7 在下、6 在上的顺序堆在货架上;拿到 1 时可以直接装填;拿到 3 时又得临时码放在 6 号颜色箱上;拿到 2 时可以直接装填;随后从货架顶取下 3 进行装填;然后拿到 5,临时码放到 6 上面;最后取了 4 号颜色直接装填;剩下的工作就是顺序从货架上取下 5、6、7 依次装填。

但如果工厂按照 3、1、5、4、2、6、7 这个顺序发货,工人就必须要愤怒地折腾货架了,因为装填完 2 号颜色以后,不把货架上的多个箱子搬下来就拿不到 3 号箱,就不可能顺利完成任务。

另外,货架的容量有限,如果要堆积的货物超过容量,工人也没办法顺利完成任务。例如工厂按照 7、6、5、4、3、2、1 这个顺序发货,如果货架够高,能码放 6 只箱子,那还是可以顺利完工的;但如果货架只能码放 5 只箱子,工人就又要愤怒了……

本题就请你判断一下,工厂的发货顺序能否让工人顺利完成任务。

输入格式

输入首先在第一行给出 3 个正整数,分别是彩虹瓶的颜色数量 N(1<N≤10
3
)、临时货架的容量 M(<N)、以及需要判断的发货顺序的数量 K。

随后 K 行,每行给出 N 个数字,是 1 到N 的一个排列,对应工厂的发货顺序。

一行中的数字都以空格分隔。

输出格式

对每个发货顺序,如果工人可以愉快完工,就在一行中输出 YES;否则输出 NO。

输入样例

7 5 3
7 6 1 3 2 5 4
3 1 5 4 2 6 7
7 6 5 4 3 2 1

输出样例

YES
NO
NO

完成思路

  1. 先找框架
    判断k轮当然不用一次性记录完再去判断啦,一次判断一次输出就好
    然后还是理解题意的问题,给出的每一串数字是给货顺序,就是每一次拿到手的序号,每次要的是哪个还需要一个变量来更新
    还有一个问题就是若当前拿到的不是所需要的,就要放上去,要是连着好几个都不行呢……写个循环喽
  2. 搞清结果要啥
    只要一个判断结果,过程内容不用保留,所以每一次输入的数字串不用留下,只用一个栈存储暂时放置的数字就好,正确的数字直接就过去了
  3. 每一轮流程都一样,可以写成函数,只在主函数中作输出判断,可读性更好

代码

按大神的思路实现一下

#include <iostream>
using namespace std;
int legal(int n,int m)
{
	//int zhan[m+5];//这里尝试了一下,应该是有超出所规定的n个数字的量,用m、m+5、m+50都会有一个段错误,到m+500才过
    int zhan[m+500];    //货架
    int num,top=0,flag=1,need=1;  //用need来标记当前应该要用的数字
    for(int i=0;i<n;i++)
    {
        cin >> num;  //输入的数字
        if(num==need)
            need++;  //想等直接过,并更新need
        else
            zhan[top++]=num;  //不等就先放到货架上


        while(top>0 && zhan[top-1] == need)  //top相当于是指向下一个元素(范围外),这里判断货架上的是不是需要的
            zhan[top--] = need++;  
        if(top > m || need > n+1 || (top > 2 && zhan[top-1] > zhan[top-2]))   //超出货架容量 || 超出颜色熟练发 || 货架上以放的颜色不能正常输出(小的在下面)
            flag=0;
    }
    if(top>0) flag=0;
    return flag;
}

int main()
{
    int n,m,k;  //颜色数  货架容量  判断数
    cin >> n >> m >> k;
    while(k--)
        cout << (legal(n,m)?"YES":"NO") << endl;
    return 0;
}

又写了一遍

相对好理解一些吧
里面有几个要注意的点

  1. 读走缓冲区
  2. 要用top-1,top就要>=1,不能按空用0
  3. 若最后栈不为空(必然是有非法数据)也是不行的
#include<iostream>
using namespace std;
struct stack{
    int data[10000];
    int top;  //注意结构体里不能赋初值……-1要在外面赋
};   //按题目模型,按堆栈书写
bool isLegal(int n,int m)  //n:颜色数   m:容量
{
    int needNum=1,num,flag=1;//用flag标记是否可行,默认1位可行
    struct stack *bucket=(struct stack*)malloc(sizeof(struct stack));
    bucket->top=-1;
    int i=0;
    for(;i<n;i++)
    {
        cin >> num;  //输入值
        if(flag==0) continue;   //之前是判断no之后直接返回,但是问题是缓冲区数据还在,需要将缓冲区读走,省着后面判断所以这里只要判断到不可行,直接进入下一个循环
        if(num==needNum)
            needNum++;
        else if(bucket->top<m-1)  //注意这个边界,top是下标,到m-1是满,所以能进行的是m-2,到-1就不能进了
            bucket->data[++(bucket->top)]=num;
        else flag=0;   //不等,又满,则不可行

        while(bucket->data[bucket->top]==needNum) //放进去后看栈里的是否是所需
        {
            bucket->top--;
            needNum++;
        }
        if(bucket->top>=1&&bucket->data[bucket->top-1]<bucket->data[bucket->top])
            flag=0; 
    }
    if(bucket->top>=0) flag=0;  //没有这句话只能过一个点,有了就全过了……这真没想到……以为应该能过几个点,但是就差这一个……
    //主要考虑的状况是,如货架容量为1,给一个数据,结果给的是2,循环结束,不满足上面判断,货架有但是仍不可行
    return flag;
}
int main()
{
    int n,m,k;
    cin >> n >> m >> k;
    for(int i=0;i<k;i++)
        cout << (isLegal(n,m)?"YES":"NO") << endl;
}
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SVM算法通过将数据映射到高维空间,将数据为两个类别。SVM算法的目标是找到一个超平面,可以将数据为两个类别。SMO算法是一种优化算法,用于求解SVM中的二次规划问题。下面介绍如何使用SMO算法编写SVM对CIFAR-10数据进行类。 首先,我们需要加载CIFAR-10数据集。CIFAR-10数据集包含10个类别的60000个32x32彩色图像。每个类别包含6000个图像。我们将使用Python中的pickle模块来加载数据集。以下是加载数据集的代码: ```python import pickle import numpy as np def unpickle(file): with open(file, 'rb') as fo: dict = pickle.load(fo, encoding='bytes') return dict def load_cifar10_data(): xs = [] ys = [] for j in range(5): d = unpickle('cifar-10-batches-py/data_batch_%d' % (j + 1)) x = d[b'data'] y = d[b'labels'] xs.append(x) ys.append(y) d = unpickle('cifar-10-batches-py/test_batch') xs.append(d[b'data']) ys.append(d[b'labels']) x = np.concatenate(xs) / np.float32(255) y = np.concatenate(ys) return x.reshape((len(x), -1)), np.array(y) ``` 接下来,我们将使用SMO算法来训练SVM模型。以下是使用SMO算法训练SVM模型的代码: ```python class SVM: def __init__(self, C, toler, kernel_opt=('linear', 0)): self.C = C self.toler = toler self.kernel_opt = kernel_opt def fit(self, X, y): n_samples, n_features = X.shape alpha = np.zeros(n_samples) b = 0 kernel = kernel_set[self.kernel_opt[0]] K = np.zeros((n_samples, n_samples)) for i in range(n_samples): K[:, i] = kernel(X, X[i], self.kernel_opt[1]) iter = 0 while iter < max_iter: num_changed_alphas = 0 for i in range(n_samples): Ei = np.dot(alpha * y, K[:, i]) + b - y[i] if (y[i] * Ei < -self.toler and alpha[i] < self.C) or \ (y[i] * Ei > self.toler and alpha[i] > 0): j = np.random.choice([x for x in range(n_samples) if x != i]) Ej = np.dot(alpha * y, K[:, j]) + b - y[j] alpha_i_old, alpha_j_old = alpha[i], alpha[j] if y[i] != y[j]: L = max(0, alpha[j] - alpha[i]) H = min(self.C, self.C + alpha[j] - alpha[i]) else: L = max(0, alpha[i] + alpha[j] - self.C) H = min(self.C, alpha[i] + alpha[j]) if L == H: continue eta = 2.0 * K[i, j] - K[i, i] - K[j, j] if eta >= 0: continue alpha[j] -= y[j] * (Ei - Ej) / eta alpha[j] = min(alpha[j], H) alpha[j] = max(alpha[j], L) if abs(alpha[j] - alpha_j_old) < 1e-5: continue alpha[i] += y[i] * y[j] * (alpha_j_old - alpha[j]) b1 = b - Ei - y[i] * (alpha[i] - alpha_i_old) * K[i, i] - \ y[j] * (alpha[j] - alpha_j_old) * K[i, j] b2 = b - Ej - y[i] * (alpha[i] - alpha_i_old) * K[i, j] - \ y[j] * (alpha[j] - alpha_j_old) * K[j, j] if 0 < alpha[i] < self.C: b = b1 elif 0 < alpha[j] < self.C: b = b2 else: b = (b1 + b2) / 2 num_changed_alphas += 1 if num_changed_alphas == 0: iter += 1 else: iter = 0 self.X = X self.y = y self.kernel = kernel self.alpha = alpha self.b = b def predict(self, X): n_samples, n_features = X.shape K = np.zeros((n_samples, len(self.X))) for i in range(n_samples): K[i, :] = self.kernel(self.X, X[i], self.kernel_opt[1]) y_pred = np.dot(self.alpha * self.y, K) + self.b return np.sign(y_pred) ``` 最后,我们使用以下代码来加载数据集并使用SMO算法训练SVM模型: ```python X, y = load_cifar10_data() y[y == 0] = -1 X_train, X_test = X[:50000], X[50000:] y_train, y_test = y[:50000], y[50000:] svm = SVM(C=1.0, toler=0.001, kernel_opt=('rbf', 1)) svm.fit(X_train, y_train) y_pred_train = svm.predict(X_train) y_pred_test = svm.predict(X_test) train_acc = np.mean(y_train == y_pred_train) test_acc = np.mean(y_test == y_pred_test) print('train_acc:', train_acc) print('test_acc:', test_acc) ``` 这样我们就使用SMO算法编写了SVM对CIFAR-10数据进行类的代码。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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