UVa 1609 不公平竞赛(Foul Play)

该博客探讨了在淘汰赛中如何确保一号队始终能打败至少一半队伍的比赛安排策略。通过保持特定条件,如一号队能被某队伍打败的队伍也能打败一号队无法打败的队伍,实现了递归的匹配方案。文章详细解释了四个步骤,包括一号队对手的选择和无法打败的队伍之间的对决,以确保比赛的公平性和一号队的优势。最后,提供了实现这一策略的代码。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题意:
n支队伍打淘汰赛,每轮都是两两配对,胜者进入下一轮。
每支队伍的实力固定,并且已知每两支队伍间的比赛结果(不可能为平局,则一定有一方打败另一方),你喜欢一号队,但是一号队不一定是最强的,但是他可以直接打败其他队伍中的至少一半,并且对于每支一号队不能打败的队伍t,总是存在一支1号队能直接打败的队伍t’ 使得t’ 能直接打败t,输出比赛安排。先输出最底层的,比如n = 8 先输出 8场第一轮比赛 4场第二轮比赛 2 场第三轮比赛 1场第四轮比赛。

分析:
条件1: 一号队总能打败其他队伍中至少一半
条件2: 总存在被1号队打败的队伍打败1号队不能打败的队伍

只要保持这个条件总存在,就可以递归。

step1: 选出一号队可以打败的队伍t’ 使得t’ 可以打败t 但是一号队打不败t

这一步之后 t’ 会全部赢 t

step2: 选出一支1号队可以打败的队伍,与之对战

step3: 对于1号队不能打败的队伍,两两自相残杀

这一步之后 一号队不能打败的队伍减半

step4: 剩余队伍的自由匹配

这一轮下来,t’ 大获全胜, 而且对于1号队打不掉的队伍,总在t’中,这样条件2成立
对于条件1, 由于step1 和step3 总能保证t 至少去掉了一半
不过如果t只有1个的话, step1一定有t’ 将t击败,因此由这两步可以确认至少去掉一半的打不过的队伍。

细心的朋友可能发现了
step2 一定可以进行吗
显然是可以的, 由于 step1 一定是 t’ 和 t的匹配,假设全部匹配成功了,至少还存在 1个队伍 和一号队 还没匹配,根据条件一,step2总成立。

代码:

#include<bits/stdc++.h>
#define LL long long
#define ms(s) memset(s, 0, sizeof(s))
using namespace std;
const int maxn = 1024 + 10;
char G[maxn][maxn];
int vis[maxn], haveFailed[maxn];
int n;

void dfs(int m) {
   
    if(m == 1) return;
    ms(vis);
    //step 1
    for(int i = 2; i <= n; i++) {
   
        for(int j = 2; j <= n
### YOLO中的Focal CIoU损失函数 在YOLO系列的目标检测算法中,为了提升边界框回归的准确性并处理类别平衡问题,引入了多种改进型损失函数。其中一种组合方式是将Focal Loss与CIoU (Complete Intersection over Union) 结合起来形成所谓的 **Focal CIoU** 损失函数。 #### Focal CIoU损失函数的作用 该损失函数仅能够有效减少正负样本之间的数量差异带来的影响,还能更精确地衡量预测框和真实框之间位置关系的质量[^3]。具体来说: - **Focal Loss部分**: 主要用于解决前景背景极度均衡的问题,通过调整难易分类样本权重来改善模型学习效果; - **CIoU部分**: 则专注于提高边框回归质量,相比传统的IoU或GIoU, CIoU考虑到了更多几何特性因素如中心点距离以及宽高比例等因素的影响; 两者结合可以更好地服务于目标检测任务,在保持较高召回率的同时降低误检概率。 #### 实现代码示例 以下是基于PyTorch框架下实现的一个简单版`focal_ciou_loss()` 函数: ```python import torch from torchvision.ops import box_iou def focal_ciou_loss(pred_boxes, target_boxes, alpha=0.25, gamma=2.0): """ 计算Focal CIoU损失 参数: pred_boxes: 预测框坐标 Tensor[N, 4], xyxy格式 target_boxes: 真实框坐标 Tensor[N, 4], xyxy格式 alpha: Focal loss 的alpha参数,默认为0.25 gamma: Focal loss 的gamma参数,默认为2 返回: float: 平均后的总损失值 """ # 获取iou矩阵 ious = box_iou(pred_boxes, target_boxes).diag() # 计算ciou cious = compute_ciou(pred_boxes, target_boxes) # 计算focal factor p_t = ious * ((target_boxes[:, None]).eq(1)).float().sum(dim=-1) modulating_factor = (p_t / (1 - p_t + 1e-8)) ** gamma weighting_factor = alpha * target_boxes.new_ones(target_boxes.size()) + \ (1-alpha)*((pred_boxes[:,None]-target_boxes)**2).mean(-1).sqrt() # 综合计算最终loss final_loss = -(weighting_factor * modulating_factor * torch.log(cious.clamp(min=1e-9))).mean() return final_loss def compute_ciou(bboxes1, bboxes2): """Compute the CIOU of two sets of boxes.""" rows = bboxes1.shape[0] cols = bboxes2.shape[0] center_x1 = (bboxes1[..., 0] + bboxes1[..., 2]) / 2. center_y1 = (bboxes1[..., 1] + bboxes1[..., 3]) / 2. center_x2 = (bboxes2[..., 0] + bboxes2[..., 2]) / 2. center_y2 = (bboxes2[..., 1] + bboxes2[..., 3]) / 2. inter_max_xy = torch.min(bboxes1[:, 2:], bboxes2[:, 2:]) inter_min_xy = torch.max(bboxes1[:, :2], bboxes2[:, :2]) out_max_xy = torch.max(bboxes1[:, 2:], bboxes2[:, 2:]) out_min_xy = torch.min(bboxes1[:, :2], bboxes2[:, :2]) inter = torch.clamp((inter_max_xy - inter_min_xy), min=0) inter_area = inter[:, 0] * inter[:, 1] inter_diag = (center_x2 - center_x1) ** 2 + (center_y2 - center_y1) ** 2 outer = torch.clamp((out_max_xy - out_min_xy), min=0) outer_diagonal = (outer[:, 0] ** 2) + (outer[:, 1] ** 2) union = area1 + area2 - inter_area u = (inter_diag) / outer_diagonal w1 = bboxes1[..., 2] - bboxes1[..., 0] h1 = bboxes1[..., 3] - bboxes1[..., 1] w2 = bboxes2[..., 2] - bboxes2[..., 0] h2 = bboxes2[..., 3] - bboxes2[..., 1] v = (4 / math.pi ** 2) * torch.pow( torch.atan(w2 / h2) - torch.atan(w1 / h1), 2 ) with torch.no_grad(): S = 1 - inter_area / union alpha = v / (S + v) ciou_term = v * alpha ciou = iou - u - ciou_term return ciou.mean() if __name__ == '__main__': pass ``` 此段代码实现了针对给定的真实标签框(`target_boxes`)及其对应的预测框(`pred_boxes`)计算其间的平均Focal CIoU损失。注意这里简化了一些细节以便理解核心逻辑[^2]。
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