火柴排队

题目描述

涵涵有两盒火柴,每盒装有 nn 根火柴,每根火柴都有一个高度。 现在将每盒中的火柴各自排成一列, 同一列火柴的高度互不相同, 两列火柴之间的距离定义为:\sum (a_i-b_i)^2∑(ai​−bi​)2

其中a_iai​ 表示第一列火柴中第ii个火柴的高度,b_ibi​表示第二列火柴中第 ii 个火柴的高度。

每列火柴中相邻两根火柴的位置都可以交换,请你通过交换使得两列火柴之间的距离最小。请问得到这个最小的距离,最少需要交换多少次?如果这个数字太大,请输出这个最小交换次数对 99,999,99799,999,997取模的结果。

输入输出格式

输入格式:

 

共三行,第一行包含一个整数nn,表示每盒中火柴的数目。

第二行有nn个整数,每两个整数之间用一个空格隔开,表示第一列火柴的高度。

第三行有 nn 个整数,每两个整数之间用一个空格隔开,表示第二列火柴的高度。

 

输出格式:

 

一个整数,表示最少交换次数对 99,999,99799,999,997 取模的结果。

 

输入输出样例

输入样例#1: 

4
2 3 1 4
3 2 1 4

输出样例#1: 

1

输入样例#2: 

4
1 3 4 2
1 7 2 4

输出样例#2: 

2

说明

【输入输出样例说明1】

最小距离是00,最少需要交换 11 次,比如:交换第 11列的前22 根火柴或者交换第 22 列的前 22根火柴。

【输入输出样例说明2】

最小距离是 1010,最少需要交换22次,比如:交换第11 列的中间22根火柴的位置,再交换第22 列中后 22 根火柴的位置。

【数据范围】

对于 10\%10%的数据, 1 ≤ n ≤ 101≤n≤10;

对于 30\%30%的数据,1 ≤ n ≤ 1001≤n≤100;

对于 60\%60%的数据,1 ≤ n ≤ 1,0001≤n≤1,000;

对于 100\%100%的数据,1 ≤ n ≤ 100,000,0 ≤1≤n≤100,000,0≤火柴高度≤ maxlongint≤maxlongint

 

逆序对,裸题。。

#include<cstdio>
#include<algorithm>
const int p=99999997;
using namespace std;

inline int read()
{
	char ch=getchar();
	int ret=0;
	while(ch<'0'||ch>'9') ch=getchar();
	while(ch>='0'&&ch<='9')
		ret=(ret<<1)+(ret<<3)+ch-'0',ch=getchar();
	return ret;
}

const int N=1e5+5;
int n,ans;
int c[N],d[N];
struct NA{
	int x,id;
}a[N],b[N];

inline void add(int x) 
{
	for(int i=x;i;i-=i&-i) c[i]++;
}

inline int sum(int x)
{
	int ret=0;
	for(int i=x;i<=n;i+=i&-i) ret+=c[i];
	return ret;
}

bool cmp(NA x,NA y)
{
	return x.x<y.x;
}
int main()
{
	n=read();
	for(int i=1;i<=n;i++)
		a[i].x=read(),a[i].id=i;
	sort(a+1,a+n+1,cmp);
	
	for(int i=1;i<=n;i++)
		b[i].x=read(),b[i].id=i;
	sort(b+1,b+n+1,cmp);
	for(int i=1;i<=n;i++)
		d[b[i].id]=a[i].id; 
	
	
	for(int i=1;i<=n;i++)
		add(d[i]),
		ans+=sum(d[i]+1),
		ans%=p;
	printf("%lld\n",ans);
	return 0;
}

 

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理Koopman算子与RNN结合的建模范,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码行实践操作,深入理PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理和拓展应用能力。
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