847CDOJ 方师傅与栈

本文介绍了一个使用栈的数据结构解决特定问题的程序实例。通过输入两组整数序列,利用栈来判断第一序列是否能经过一系列操作变为第二序列,以此验证序列的合法性。此程序运用了C++标准库中的stack容器,并结合条件判断实现逻辑处理。

一个学习栈的题目。

#include <iostream>
#include <cstdio>
#include <stack>
#include<string.h>
#include<stdio.h>
using namespace std;
#define MAXN 1000000+10
int n,hehe[MAXN],sb[MAXN];

int main()
{
    int i,j,k=1,m=0,ok=1;
    stack<int>q;    //声明了一个储存int型元素的栈,栈名是q
    while(scanf("%d",&n)!=EOF)
    {
        for(i=1;i<=n;i++)
        {
                scanf("%d",&hehe[i]);
                q.push(hehe[k++]);
        }
        for(j=1;j<=n;j++)
            scanf("%d",&sb[j]);
        k=1;
        m=1;
    while(m<=n)
    {
        int top=q.top();  //top=栈底元素
        if(hehe[k]==sb[m])
        { 
            k++;
            m++;
        }
        else if(top==sb[m])
        {
            q.pop();//出栈
            m++;
        }
        else if(k<=n) 
            q.push(hehe[k++]);
        else
        {
            ok=0;
            break;
        }
    }
        printf("%s\n",ok?"Yes":"No");
    }
    return 0;
}


【电动车】基于多目标优化遗传算法NSGAII的峰谷分时电价引导下的电动汽车充电负荷优化研究(Matlab代码实现)内容概要:本文围绕“基于多目标优化遗传算法NSGA-II的峰谷分时电价引导下的电动汽车充电负荷优化研究”展开,利用Matlab代码实现优化模型,旨在通过峰谷分时电价机制引导电动汽车有序充电,降低电网负荷波动,提升能源利用效率。研究融合了多目标优化思想遗传算法NSGA-II,兼顾电网负荷均衡性、用户充电成本和充电满意度等多个目标,构建了科学合理的数学模型,并通过仿真验证了法的有效性实用性。文中还提供了完整的Matlab代码实现路径,便于复现进一步研究。; 适合人群:具备一定电力系统基础知识和Matlab编程能力的高校研究生、科研人员及从事智能电网、电动汽车调度相关工作的工程技术人员。; 使用场景及目标:①应用于智能电网中电动汽车充电负荷的优化调度;②服务于峰谷电价政策下的需求侧管理研究;③为多目标优化算法在能源系统中的实际应用提供案例参考; 阅读建议:建议读者结合Matlab代码逐步理解模型构建算法实现过程,重点关注NSGA-II算法在多目标优化中的适应度函数设计、约束处理及Pareto前沿生成机制,同时可尝试调整参数或引入其他智能算法进行对比分析,以深化对优化策略的理解。
一、基础信息 数据集名称:可回收材料目标检测数据集 图片数量: - 训练集:7,701张图片 - 验证集:733张图片 - 测试集:367张图片 - 总计:8,801张图片 分类类别: - carton(纸板):常见可回收包装材料 - metal(金属):如铝罐和铁制品等可回收金属 - papel(纸):纸张类可回收材料 - plastico(塑料):塑料瓶和容器等可回收塑料 - vidrio(玻璃):玻璃瓶和罐等可回收玻璃 标注格式:YOLO格式,包含边界框和类别标签,适用于目标检测任务 数据格式:JPEG图片,来源于实际场景 二、适用场景 智能垃圾回收系统开发: 数据集支持目标检测任务,帮助构建自动识别和分类可回收材料的AI模型,用于智能垃圾桶或回收站,提升垃圾处理效率。 环保可持续发展应用: 集成至环保设备或移动应用,提供实时材料识别功能,促进垃圾分类和资源回收,支持绿色倡议。 学术工业研究: 支持计算机视觉在环境科学和废物管理领域的研究,推动AI技术在环保中的创新应用。 教育培训: 可用于学校或社区项目,作为垃圾分类教育的视觉辅助工具,提高公众环保意识。 三、数据集优势 精准标注多样性: 标注采用YOLO格式,确保边界框定位准确,类别覆盖五种常见可回收材料,具有高度实用性。 数据规模合理: 拥有超过8,000张图片,训练集、验证集和测试集分布均衡,支持有效的模型训练和评估。 任务适配性强: 标注兼容主流深度学习框架(如YOLO系列),可直接用于目标检测模型开发,加速应用部署。 环保价值突出: 专注于可回收材料识别,有助于减少垃圾污染、促进循环经济,具有显著的社会和环境效益。
建筑风化目标检测数据集 一、基础信息 • 数据集名称:建筑风化目标检测数据集 • 图片数量: 训练集:435张图片 验证集:124张图片 测试集:62张图片 总计:621张图片 • 训练集:435张图片 • 验证集:124张图片 • 测试集:62张图片 • 总计:621张图片 • 分类类别: efflorescence:建筑表面的风化现象,常见于混凝土或砖石结构,表现为白色盐沉积。 • efflorescence:建筑表面的风化现象,常见于混凝土或砖石结构,表现为白色盐沉积。 • 标注格式:YOLO格式,包含边界框和类别标签,适用于目标检测任务。 • 数据格式:图片数据,来源多样,适用于模型训练。 二、适用场景 • 建筑行业缺陷检测:用于开发自动检测建筑表面风化现象的AI系统,辅助维护和修复工作,提升施工质量评估效率。 • 环境农业监测:可能应用于类似表面缺陷的识别,如作物病害或土壤问题,支持可持续农业实践。 • 学术研究创新:支持计算机视觉在材料科学和建筑工程中的研究,推动AI在实际工业问题中的应用。 • 教育培训:可作为建筑或工程教育中,学习缺陷识别和检测的教材资源,帮助培训专业人员。 三、数据集优势 • 精准标注实用性:每张图片均采用YOLO格式标注,确保边界框定位准确,直接适用于目标检测模型训练,提升模型可靠性。 • 类别专注:专注于建筑风化现象,数据针对性强,有助于模型学习特定特征,提高检测精度。 • 任务适配性强:兼容主流深度学习框架,如YOLO、Faster R-CNN等,便于快速集成和开发,支持多种应用场景。 • 实际应用价值:数据集面向实际工业问题,帮助提升建筑维护的自动化水平和效率,降低人工检测成本。
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