华为杯“华南理工大学程序设计竞赛(同步赛) A KNN算法

最新推荐文章于 2025-12-04 22:00:44 发布
原创 最新推荐文章于 2025-12-04 22:00:44 发布 · 464 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法 #二分 #c++

题目：华为杯“华南理工大学程序设计竞赛(同步赛) A KNN算法
参考：“华为杯“华南理工大学程序设计竞赛(同步赛)题解A——二分的深入理解

思路

思路挺好想的，二分枚举答案，判断距离为mid时是否满足范围内刚好有k个点
但是赛场了调了很久…果然我不会二分

注意点

1.lower_bound和upper_bound：

lower_bound返回的是第一个大于等于目标值的迭代器。
upper_bound返回的是第一个大于目标值的迭代器。
如果目标值在序列中有多个，lower_bound返回的是第一个目标值的迭代器，而upper_bound返回的是最后一个目标值的下一个迭代器。

现在我们要求所有坐标落在[x-mid, x+mid]范围内的点的个数
lc表示第一个坐标大于等于x-mid的点的下标
rc表示第一个坐标大于x+mid的点的下标（也就是最后一个坐标小于等于x+mid的点的下标（设为rct）+1）
那么rc-lc就是所求
（其实所有满足条件的点下标在[lc, rtc]之间，个数就是rct - lc + 1，也就是rc - lc）

2.l和r的初值

l和r的初值其实就是答案的可能取值，由于坐标范围是[-1e9, 1e9]，所以答案的取值是[0, 2e9]，l取0，r取2e9

3.开long long

在二分过程中l和r的取值范围是[0, 2e9]，l+r是会爆int的，所以l、r、mid都要开long long
因为这个wa了好多好多发…甚至过几天重新来理才反应过来

代码

#include
最低0.47元/天 解锁文章
【2023华为杯A题】中国研究生数学建模竞赛A题代码+论文
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
09-08 964
【2023华为杯A题】中国研究生数学建模竞赛A题代码+论文
【2024华为杯A题】风电场有功功率优化分配A题思路+代码+论文
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
09-08 2070
【2024华为杯A题】风电场有功功率优化分配A题思路+代码+论文
“华为杯“华南理工大学程序设计竞赛(同步赛)题解A——二分的深入理解
weixin_74031499的博客
04-15 621
最后二分返回的是最小的可以满足第几个靠近x的mid的值，正是因为出现了最小的mid的值才会恰好刚刚出现x距离靠近的哪一个，最后返回的就是daan。lower_bound() :寻找>=x的第一个元素的位置。upper_bound()：寻找>x的第一个元素的位置。每一次二分通过查找mid的值去确定在关于x加减mid的绝对值的范围内会在a数组中出现几个。使用到函数返回对应元素迭代器的位置，找不到则返回尾迭代器。
NLM_AKNN_OpticalFlow读后感
麦克斯韦恶魔的博客
08-18 1197
一、总览 本文是我最近泛读发现的论文中的其中一篇，现将其精读并总结出来。这篇文章是2010年微软研究院的文章，题目为《A High-Quality Video Denoising Algorithm based on Reliable Motion Estimation》，提出的视频降噪方法，是基于时域、块匹配的，由三部分组成：1）使用提出的AKNN算法寻找相似块集合；2）使用OpticalFl...
以图搜图实现二之Elasticsearch Aknn插件生成
weixin_42435657的博客
08-01 1801
1. 搭建maven 项目，项目pom.xml 文件为： <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://...
华南理工大学程序设计竞赛 - A-KNN算法 （二分）
2302_79440616的博客
04-15 967
如果我们有一个数组a[]，并且我们想要找到给定任意一个xxx值的第kkk近的数，那么我们可以定义一个按照数组中每个元素按照其与xxx的差值的大小进行排序的办法。此方法主要适用于sort()函数。
【论文阅读】High-Dimensional Approximate Nearest Neighbor Search: with Reliable and Efficient DCO
天下月色共三分的博客
05-21 922
如第1节所述，DCO大量参与许多AKNN算法。这些算法通过计算o的距离并将距离与r进行比较，自然地对对象o和距离r进行DCO。我们将这种传统方法称为FDScanning，因为它使用o的所有维度来计算距离。显然，FDScanning具有O（D）的时间复杂性。接下来，我们回顾了现有的AKNN算法，并从理论和经验上验证了DCO在这些算法中的关键作用。
【2024华为杯C题】中国研究室数学建模竞赛C题思路+代码+论文
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
09-08 828
【2024华为杯C题】中国研究室数学建模竞赛C题思路+代码+论文
K-近邻算法（KNN）
ayongshi2019的博客
03-31 491
KNN算法的优点：1.理论简单：KNN算法原理直观易懂，无需构建复杂的数学模型，只需存储训练数据即可。2.对异常值不敏感：由于直接比较临近样本，因此对离群点的敏感度相对较低。3.无须做特征选择：KNN不需要对数据进行特殊预处理，也不需要事先了解数据分布，适用于非线性分类问题。KNN算法的缺点：1.计算复杂度高：随着样本数量增加，计算所有样本的距离以及排序操作的时间成本会迅速增大，尤其在大型数据集上效率较低。
KNN(k-nearest neighbor的缩写)最近邻算法原理详解
热门推荐
春华秋实
08-24 9万+
k-最近邻算法是基于实例的学习方法中最基本的，先介绍基于实例学习的相关概念。 基于实例的学习 已知一系列的训练样例，很多学习方法为目标函数建立起明确的一般化描述；但与此不同，基于实例的学习方法只是简单地把训练样例存储起来。 从这些实例中泛化的工作被推迟到必须分类新的实例时。每当学习器遇到一个新的查询实例，它分析这个新实例与以前存储的实例的关系，并据此把一个目标函数值赋给新实例。 基于实例的...
以图搜图实现四之Elastisearch Aknn 插件Api使用及其性能
weixin_42435657的博客
08-01 1491
1.创建LSH模型 给定矢量样本，创建局部敏感散列（LSH）模型并将其存储为Elasticsearch文档。 POST :9200/_aknn_create { “_index”: “aknn_models”, “_type”: “aknn_model”, “_id”: “twitter_image_search”, “_source”: { “_aknn_descriptio...
基于稀疏矩阵的k近邻（KNN）实现
modabobo
12-31 799
基于稀疏矩阵的k近邻（KNN）实现 zouxy09@qq.com http://blog.youkuaiyun.com/zouxy09 元旦了！要跨入2015了！呵呵，忙了挺久，没有更新博客了，博客也悄悄地蒙上了一层灰。在跨年之际，闲来无事，也总结下之前的一些散乱的东西，记录在博客中，恢复点生气。良久未笔，辞藻异常生疏。嗯，祝大家2015再谱人生华丽篇章！ 一、概述 这里我们先来看看当我们的数...
欧几里得距离算法-相似度
weixin_45609702的博客
12-04 147
本文介绍了一个计算欧几里得距离的Java方法。该方法接收两个Double数组作为输入，通过计算对应元素差值的平方和再开方，返回两个数组之间的欧几里得距离值。当输入数组长度不一致时，方法会返回0作为默认值。欧几里得距离算法常用于比较两个数组之间的相似度，是数据分析和机器学习中的基础距离度量方法。
【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之 元学习与集成方法：组合多个学习器来提高整体性能
hiliang521的博客
12-02 803
【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之 元学习
Leetcode 68 搜索插入位置 | 寻找比目标字母大的最小字母
im_AMBER的博客
12-04 786
你的错误逻辑正确逻辑找到 target 时返回 mid-1找到 target 时，继续向右查找（因为需要「大于」target 的最小字符）target <letters [mid] 时，mid 是候选，需保留，right=mid（左闭右开）或不立即排除 mid循环结束直接返回 letters [0]循环结束后，先判断 left 是否越界：越界则返回 letters [0]，否则返回 letters [left]初始right的取值与「越界判断」不匹配；
dfs|mask^翻转
一个人知道自己为什么而活，他就能够接收任何一种生活
11-30 165
注意到：灯泡状态周期是6。
2025年全国大学生统计科学与算法编程挑战赛——算法赛道（一）
qq_73044452的博客
12-01 290
摘要：本文包含三个编程问题的解决方案。1) 贪吃蛇问题：通过解析移动指令计算蛇最终所在格子的编号；2) 经济小鱼问题：计算前两局存钱、后两局花钱，最终剩余指定金币的方案数；3) 小理吃甜食问题：模拟多轮糖果挑选过程，计算小理获得的最大总糖果值。每个问题都给出了完整的C++实现代码，涉及字符串处理、数学计算和模拟算法等技术。
【剑斩OFFER】算法的暴力美学——数青蛙
最新发布
就业知识博客
12-04 270
力扣1419题：数青蛙
[优选算法专题十.哈希表 ——NO.55~57 两数之和、判定是否互为字符重排、存在重复元素]
2401_83386596的博客
12-03 611
两数之和问题的最优解法采用哈希表实现O(n)时间复杂度，通过存储元素值与下标的映射关系，快速查找互补值。字符重排判定问题通过单哈希数组统计字符出现次数，先加后减并实时校验，确保字符种类和数量完全一致。存在重复元素问题使用哈希集合检测重复元素，遍历数组时检查元素是否已存在于集合中。三种解法均利用哈希结构优化查找效率，将时间复杂度从暴力解法的O(n²)降至O(n)，是典型空间换时间策略的工业级实现。
华为杯数学建模机器学习算法
08-27
在华为杯数学建模竞赛中，选择合适的机器学习算法对于解决复杂的数据分析任务和建模问题至关重要。根据竞赛题目涉及的领域，如通信、网络、大数据、人工智能、物联网等，以下是一些常用的机器学习算法推荐： ### 常用机器学习算法 #### 1. 线性回归（Linear Regression） 线性回归是一种基本的监督学习算法，适用于预测连续型变量。它通过拟合一个线性模型来描述输入特征与输出之间的关系。在线性关系较强的情况下，线性回归可以提供简单而有效的解决方案。例如，在处理通信信号强度预测或网络流量分析时，线性回归可以作为初步建模工具。 #### 2. 决策树（Decision Tree） 决策树是一种非参数监督学习方法，适用于分类和回归任务。它通过递归分割数据集，生成一棵树状结构，每个节点代表一个特征测试，每个叶子节点代表最终的分类或预测值。决策树的优点在于易于解释和可视化，适合处理非线性关系的数据。 #### 3. 随机森林（Random Forest） 随机森林是一种集成学习方法，基于多个决策树的组合进行预测。它通过引入随机性来减少过拟合风险，提高模型的泛化能力。随机森林在处理高维数据和噪声数据时表现出色，适合用于大数据分析任务，如网络异常检测或用户行为分析。 #### 4. 支持向量机（Support Vector Machine, SVM） 支持向量机是一种强大的分类和回归算法，尤其适用于小样本数据集。SVM通过寻找一个最优超平面来最大化不同类别之间的边界，从而实现分类。在处理高维空间中的分类问题时，SVM具有较好的性能，适合用于图像识别或文本分类任务。 #### 5. K-近邻算法（K-Nearest Neighbors, KNN） KNN是一种简单的非参数分类和回归算法，基于距离度量来预测样本的类别或值。KNN适用于数据分布较为均匀且特征维度较低的情况。在处理实时数据流或在线学习任务时，KNN可以快速适应新数据。 #### 6. 神经网络（Neural Networks） 神经网络是一种模拟人脑神经元结构的计算模型，适用于复杂的非线性关系建模。深度学习是神经网络的一个分支，特别适用于图像识别、自然语言处理和时间序列预测等任务。在处理大规模数据集时，神经网络可以自动提取特征并进行端到端的学习。 #### 7. 聚类算法（如K-Means） 聚类是一种无监督学习方法，用于发现数据中的潜在结构。K-Means是最常用的聚类算法之一，适用于将数据划分为若干个簇。在市场细分、用户分群或图像压缩等任务中，K-Means可以提供直观的解决方案。 #### 8. 主成分分析（Principal Component Analysis, PCA） PCA是一种降维技术，通过线性变换将高维数据投影到低维空间，保留尽可能多的信息。PCA适用于处理高维数据，减少计算复杂度并去除冗余特征。在特征选择和数据可视化任务中，PCA可以显著提升模型性能。 #### 9. 梯度提升树（Gradient Boosting Decision Tree, GBDT） GBDT是一种集成学习方法，通过迭代地构建决策树并优化损失函数来提高模型性能。GBDT在处理非线性关系和高维数据时表现出色，适合用于推荐系统、广告点击率预测等任务。 #### 10. 贝叶斯方法（如朴素贝叶斯） 贝叶斯方法是一类基于概率论的机器学习算法，适用于分类任务。朴素贝叶斯假设特征之间相互独立，尽管这一假设在现实中不一定成立，但在许多实际应用中仍然表现良好，特别是在文本分类任务中。 ### 示例代码 以下是一个使用Scikit-learn库实现随机森林分类器的示例代码： ```python from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score import pandas as pd # 加载数据集 data = pd.read_csv('data.csv') X = data.drop('target', axis=1) y = data['target'] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 初始化随机森林分类器 rf = RandomForestClassifier(n_estimators=100, random_state=42) # 训练模型 rf.fit(X_train, y_train) # 预测结果 y_pred = rf.predict(X_test) # 评估模型 accuracy = accuracy_score(y_test, y_pred) print(f'模型准确率: {accuracy:.2f}') ``` ### 总结 在华为杯数学建模竞赛中，选择合适的机器学习算法需要结合具体问题的特点和数据的性质。上述推荐的算法涵盖了监督学习、无监督学习和集成学习等多个领域，能够应对多种类型的建模任务。通过合理选择和组合这些算法，可以在比赛中取得更好的成绩。
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
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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