LibreOJ2043 - 「CQOI2016」K 远点对

本文详细解析了CQOI2016中一道关于寻找平面内第k远点对的问题,介绍了使用k-d树与堆的数据结构解决此问题的高效算法。通过构建k-d树并利用小根堆维护找到的第k大的距离,实现了对点对距离的有效搜索。

Portal

Description

给出平面上的\(n(n\leq10^5)\)个整点,求在欧几里得距离下第\(k\)远的点对之间的距离。

Solution

k-d树+堆。
用小根堆维护当前找到的第\(k\)大,然后以堆顶元素为基准在k-d树上搜索即可。搜索到一个新值\(d\)时,将其与堆顶元素比较,若大于堆顶元素则弹出堆顶并加入\(d\)

Code

//「CQOI2016」K 远点对
#include <algorithm>
#include <cstdio>
#include <queue>
typedef long long lint;
using namespace std;
inline char gc()
{
    static char now[1<<16],*s,*t;
    if(s==t) {t=(s=now)+fread(now,1,1<<16,stdin); if(s==t) return EOF;}
    return *s++;
}
inline int read()
{
    int x=0; char ch=gc();
    while(ch<'0'||'9'<ch) ch=gc();
    while('0'<=ch&&ch<='9') x=x*10+ch-'0',ch=gc();
    return x;
}
const int N=1e5+10;
const int INF=0x3FFFFFFF;
int n,k;
int rt,ch[N][2];
struct point{int c[2];} pt[N];
struct zone{int c1[2],c2[2];} zn[N];
void update(int p)
{
    int ch0=ch[p][0],ch1=ch[p][1];
    for(int k=0;k<2;k++)
        zn[p].c1[k]=min(pt[p].c[k],min(zn[ch0].c1[k],zn[ch1].c1[k])),
        zn[p].c2[k]=max(pt[p].c[k],max(zn[ch0].c2[k],zn[ch1].c2[k]));
}
int D;
bool operator<(point A,point B) {return A.c[D]<B.c[D];}
void bldTr(int &p,int L,int R)
{
    if(L>R) return;
    int mid=L+R>>1; p=mid;
    nth_element(pt+L,pt+mid,pt+R+1);
    bldTr(ch[p][0],L,mid-1),bldTr(ch[p][1],mid+1,R);
    update(p);
}
priority_queue< lint,vector<lint>,greater<lint> > Q;
point A;
lint dist(point B)
{
    lint d=0;
    for(int k=0;k<2;k++) d+=1LL*(A.c[k]-B.c[k])*(A.c[k]-B.c[k]);
    return d;
}
lint dist(zone Z)
{
    if(Z.c1[0]>Z.c2[0]) return 0;
    int d[2]; d[0]=d[1]=0;
    for(int k=0;k<2;k++) d[k]=max(abs(Z.c1[k]-A.c[k]),abs(Z.c2[k]-A.c[k]));
    return 1LL*d[0]*d[0]+1LL*d[1]*d[1];
}
void query(int p)
{
    if(!p) return;
    lint d=dist(pt[p]);
    if(d>Q.top()) Q.pop(),Q.push(d);
    lint d0=dist(zn[ch[p][0]]),d1=dist(zn[ch[p][1]]);
    if(d0>Q.top()) query(ch[p][0]);
    if(d1>Q.top()) query(ch[p][1]);
}
int main()
{
    n=read(),k=read();
    for(int i=1;i<=n;i++) pt[i].c[0]=read(),pt[i].c[1]=read();
    zn[0].c1[0]=zn[0].c1[1]=INF,zn[0].c2[0]=zn[0].c2[1]=-INF;
    bldTr(rt,1,n);
    for(int i=1;i<=k+k;i++) Q.push(0);
    for(int i=1;i<=n;i++) A=pt[i],query(rt);
    printf("%d\n",Q.top());
    return 0;
}

P.S.

网上好多题解是凸包+旋转卡壳...吓死我了∑(゚Д゚ノ)ノ

转载于:https://www.cnblogs.com/VisJiao/p/LOJ2043.html

内容概要:本文是一份针对2025年中国企业品牌传播环境撰写的《全网媒体发稿白皮书》,聚焦企业媒体发稿的策略制定、渠道选择与效果评估难题。通过分析当前企业面临的资源分散、内容同质、效果难量化等核心痛点,系统性地介绍了新闻媒体、央媒、地方官媒和自媒体四大渠道的特点与适用场景,并深度融合“传声港”AI驱动的新媒体平台能力,提出“策略+工具+落地”的一体化解决方案。白皮书详细阐述了传声港在资源整合、AI智能匹配、舆情监测、合规审核及全链路效果追踪方面的技术优势,构建了涵盖曝光、互动、转化与品牌影响力的多维评估体系,并通过快消、科技、零售等行业的实战案例验证其有效性。最后,提出了按企业发展阶段和营销节点定制的媒体组合策略,强调本土化传播与政府关系协同的重要性,助力企业实现品牌声量与实际转化的双重增长。; 适合人群:企业市场部负责人、品牌方管理者、公关传播从业者及从事数字营销的相关人员,尤其适用于初创期至成熟期不同发展阶段的企业决策者。; 使用场景及目标:①帮助企业科学制定媒体发稿策略,优化预算分配;②解决渠道对接繁琐、投放不精准、效果不可衡量等问题;③指导企业在重大营销节点(如春节、双11)开展高效传播;④提升品牌权威性、区域渗透力与危机应对能力; 阅读建议:建议结合自身企业所处阶段和发展目标,参考文中提供的“传声港服务组合”与“预算分配建议”进行策略匹配,同时重视AI工具在投放、监测与优化中的实际应用,定期复盘数据以实现持续迭代。
先展示下效果 https://pan.quark.cn/s/987bb7a43dd9 VeighNa - By Traders, For Traders, AI-Powered. Want to read this in english ? Go here VeighNa是一套基于Python的开源量化交易系统开发框架,在开源社区持续不断的贡献下一步步成长为多功能量化交易平台,自发布以来已经积累了众多来自金融机构或相关领域的用户,包括私募基金、证券公司、期货公司等。 在使用VeighNa进行二次开发(策略、模块等)的过程中有任何疑问,请查看VeighNa项目文档,如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助,也欢迎在【经验分享】板块分享你的使用心得! 想要获取更多关于VeighNa的资讯信息? 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】: AI-Powered VeighNa发布十周年之际正式推出4.0版本,重磅新增面向AI量化策略的vnpy.alpha模块,为专业量化交易员提供一站式多因子机器学习(ML)策略开发、投研和实盘交易解决方案: :bar_chart: dataset:因子特征工程 * 专为ML算法训练优化设计,支持高效批量特征计算与处理 * 内置丰富的因子特征表达式计算引擎,实现快速一键生成训练数据 * Alpha 158:源于微软Qlib项目的股票市场特征集合,涵盖K线形态、价格趋势、时序波动等多维度量化因子 :bulb: model:预测模型训练 * 提供标准化的ML模型开发模板,大幅简化模型构建与训练流程 * 统一API接口设计,支持无缝切换不同算法进行性能对比测试 * 集成多种主流机器学习算法: * Lass...
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  | 博主筛选后可见
 
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