UVA1335-Beijin Guards(二分)

探讨了BeijinGuards问题,即n个守卫围成一圈,每个守卫想要特定数量的礼物,且相邻守卫礼物不重复。通过分析偶数和奇数情况下最少需要的礼物种类,提出了有效的算法解决方案。

Beijin Guards

  • 题意:有n个守卫围成一个圈,第 i 个守卫想要 a [ i ] 件礼物,要求每个相邻的守卫礼物不重复,求最少需要多少种礼物。
  •  n 为偶数时,答案即为 max (ans, a[I] + a[I + 1])  ,a[n + 1] = a[1].
  •  n 为奇数的时候,二分查找符合条件的最小值,判断方式如下:
  • 首先划分成两个区间 a[1], S-a[1]。使用两个数组 be [maxn] 和 la [maxn] 记录取自前一区间和后一区间的礼物数量,当 i 为偶数的时候,尽量从前面取,i 为奇数时,尽量从后面取,最后判断最后一个守卫的礼物是否含前面区间中取得。
  • // zyc 2018/7/23
    
    #include <bits/stdc++.h>
    using namespace std;
    
    const int maxn = 1e5 + 7;
    const int M = 1e9 + 7;
    
    int n; int a[maxn], be [maxn], la [maxn];
    
    // be[i] 前一区间选择的礼物数量
    // la[i] 后一区间选择的礼物数量
    bool cheak (int S) {
        // 第一名守卫全部选择前面区间
        int x = a[1], y = S - a[1];
        be [1] = x; la [1] = 0;
    
        // 更新值
        for (int i = 2; i <= n; i ++) {
            if (i % 2 == 1) {
                la [i] = min (y - la [i - 1], a[i]);
                be [i] = a[i] - la [i];
            } else {
                be [i] = min (x - be [i - 1], a[i]);
                la [i] = a[i] - be [i];
            }
        }
        return be[n] == 0;
    }
    int main ()
    {
        while (scanf ("%d", &n) && n != 0) {
            memset (a, 0, sizeof (a));
            for (int i = 1; i <= n; i ++) scanf ("%d", &a[i]);
            if (n == 1) {printf ("%d\n", a[1]); continue;}
            a[n + 1] = a[1];
            int ans = 0;
            for (int i = 1; i <= n; i ++) ans = max (ans, a[i] + a[i + 1]);
            if (n % 2 == 0) {
                printf ("%d\n", ans); continue;
            }
            int l = ans, r = 300000;
            while (l < r) {
                int mid = (l + r) >> 1;
                if (cheak (mid)) r = mid;
                else l = mid + 1;
            }
            printf ("%d\n", l);
        }
    }
    

     

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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