画解数据结构刷题 线性枚举之原地算法

这篇博客探讨了如何使用快慢指针解决数组中的特定问题,如寻找重复元素、记录安全设备位置以及重新排列数组。通过实例解析了不同场景下双指针策略的运用,包括检查升序数组中的重复项、遍历寻找安全设备并记录、以及分离正负数。文章强调了指针的动态调整和何时更新关键信息的重要性。

第一题

 

属于是做了又忘了

定义快指针和慢指针,快指针用来检验,慢指针用来储存,因为是升序排列,所以相同的数只会存在于数的左右,所以检验快指针时,只需要检验快指针-1的位置,如果相等,则无需改变,只需将fast++,检验下一个数,如果不相等,则说明fast与之前的数都不相等,就用fast指针的数代替slow指针的数,并且将fast和slow都++

第二题

 

 思路是一次遍历如果一行中有安全设备就记录,没安全记录就跳过

然后需要记录上一个有安全设备的

注意如果需要上一个,就在每次操作的最后加一个把当前i的数值赋值给precnt

第三题

 

 记录最大的a的下标和最小的b的下标

第四题

 

 右指针指向被处理元素

左指针指向下一个要插入的敌方

如果右指针不等于val,将把右指针的元素复制到左指针去,同时将左右都加一,等于就只右边加一

第五题

int* rearrangeArray(int* nums, int numsSize, int* returnSize){
int slow=0;//zheng指针
int fast=0;//偶指针
int*ans=(int*)malloc(sizeof(int)*numsSize);
*returnSize=numsSize;
int i=0;
while(slow<numsSize&&fast<numsSize)
{
    while(nums[slow]<0&&slow<numsSize)
    {
        slow++;
    }
    ans[i++]=nums[slow];
    slow++;
    while(nums[fast]>0&&fast<numsSize)
    {
        fast++;
    }
    ans[i++]=nums[fast];
    fast++;
}
return ans;
}

 定义两个指针:一个搜正,一个负,搜到就放到数组

双指针不用一个检验一个存,可以定义一个新数组存

【SCI复现】含可再生能源与储能的区域微电网最优运行:应对不确定性的解鲁棒性与非预见性研究(Matlab代码实现)内容概要:本文围绕含可再生能源与储能的区域微电网最优运行展开研究,重点探讨应对不确定性的解鲁棒性与非预见性策略,通过Matlab代码实现SCI论文复现。研究涵盖多阶段鲁棒调度模型、机会约束规划、需求响应机制及储能系统优化配置,结合风电、光伏等可再生能源出力的不确定性建模,提出兼顾系统经济性与鲁棒性的优化运行方案。文中详细展示了模型构建、算法设计(如C&CG算法、大M法)及仿真验证全过程,适用于微电网能量管理、电力系统优化调度等领域的科研与工程实践。; 适合人群:具备一定电力系统、优化理论和Matlab编程基础的研究生、科研人员及从事微电网、能源管理相关工作的工程技术人员。; 使用场景及目标:①复现SCI级微电网鲁棒优化研究成果,掌握应对风光负荷不确定性的建模与求解方法;②深入理解两阶段鲁棒优化、分布鲁棒优化、机会约束规划等先进优化方法在能源系统中的实际应用;③为撰写高水平学术论文或开展相关课研究提供代码参考和技术支持。; 阅读建议:建议读者结合文档提供的Matlab代码逐模块学习,重点关注不确定性建模、鲁棒优化模型构建与求解流程,并尝试在不同场景下调试与扩展代码,以深化对微电网优化运行机制的理解。
个人防护装备实例分割数据集 一、基础信息 数据集名称:个人防护装备实例分割数据集 图片数量: 训练集:4,524张图片 分类类别: - Gloves(手套):工作人员佩戴的手部防护装备。 - Helmet(安全帽):头部防护装备。 - No-Gloves(未戴手套):未佩戴手部防护的状态。 - No-Helmet(未戴安全帽):未佩戴头部防护的状态。 - No-Shoes(未穿安全鞋):未佩戴足部防护的状态。 - No-Vest(未穿安全背心):未佩戴身体防护的状态。 - Shoes(安全鞋):足部防护装备。 - Vest(安全背心):身体防护装备。 标注格式:YOLO格式,包含实例分割的多边形坐标和类别标签,适用于实例分割任务。 数据格式:来源于实际场景图像,适用于计算机视觉模型训练。 二、适用场景 工作场所安全监控系统开发:数据集支持实例分割任务,帮助构建能够自动识别工作人员个人防护装备穿戴状态的AI模型,提升工作环境安全性。 建筑与工业安全检查:集成至监控系统,实时检测PPE穿戴情况,预防安全事故,确保合规性。 学术研究与创新:支持计算机视觉在职业安全领域的应用研究,促进AI与安全工程的结合。 培训与教育:可用于安全培训课程,演示PPE识别技术,增强员工安全意识。 三、数据集优势 精准标注与多样性:每个实例均用多边形精确标注,确保分割边界准确;覆盖多种PPE物品及未穿戴状态,增加模型鲁棒性。 场景丰富:数据来源于多样环境,提升模型在不同场景下的泛化能力。 任务适配性强:标注兼容主流深度学习框架(如YOLO),可直接用于实例分割模型开发,支持目标检测和分割任务。 实用价值高:专注于工作场所安全,为自动化的PPE检测提供可靠数据支撑,有助于减少工伤事故。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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