hiho 1249 Xiongnu's Land

本文解析了一个关于绿洲分割的算法题目,介绍了如何通过两次二分查找来确定最优分割线的方法,旨在寻找使左右两侧绿洲面积差最小且左侧面积更大的分割方案。

分割线要满足三个条件:

1. 左边的绿洲面积要大于等于右边的绿洲面积。

2.两边的面积的差值要尽可能的小。

3.左边的总面积要尽可能的大于右边。

思路:先二分答案求出条件一和二满足的最左边的分割线,然后二分答案满足条件最右边的分割线。

本来写了一发线段树的,结果写搓了。。。。

#include<iostream>
#include<set>
#include<map>
#include<algorithm>
#include<cstdio>
#include<cstring>
#include<vector>
#include<queue>
#include<cmath>
using namespace std;
typedef long long ll;
const int maxn = 1000100;
int l[maxn], t[maxn], w[maxn], h[maxn], n;
/*void pushup(int cnt)
{
    sum[cnt] = sum[cnt<<1] + sum[cnt<<1|1];
}
void pushdown(int cnt, int len)

{
    if(mark[cnt])
    {
        int m = len / 2;
        mark[cnt<<1] += mark[cnt];
        mark[cnt<<1|1] += mark[cnt];
        sum[cnt<<1] += mark[cnt<<1] * (len - m);
        sum[cnt<<1|1] += mark[cnt<<1|1] * m;
        mark[cnt] = 0;
    }
}
void update(int nowl, int nowr, int l, int r, int c, int cnt)
{
    if(nowl>=l && nowr<=r)
    {
        sum[cnt] += (nowr - nowl + 1)*c;
        mark[cnt] += c;
        return ;
    }
    pushdown(cnt, nowr - nowl +1);
    int m = (nowr+nowl)>>1;
    if(l<=m)
        update(nowl, m, l, r, c, cnt<<1);
    if(r>m)
        update(m+1, nowr, l, r, c, cnt<<1|1);
    pushup(cnt);
}
ll query(int nowl, int nowr, int l, int r, int cnt)
{
    if(nowl>=l && nowr<=r)
    {
        return sum[cnt];
    }
    pushdown(cnt, nowr - nowl +1);
    int m = (nowl+nowr)>>1;
    ll sum = 0;
    if(l<=m)
        sum += query(nowl, m, l, r, cnt<<1);
    if(r>m)
        sum += query(m+1, nowr, l, r, cnt<<1|1);
    pushup(cnt);
    return sum;
}*/
ll get(int x)
{
    ll sum = 0;
    for(int i = 1; i<=n; i++)
    {
        sum += (ll)h[i]*(max(min(x-l[i], w[i]), 0));
    }
    return sum;
}
int main()
{
    int T;
    cin>>T;
    while(T--)
    {
        ll s = 0;
        int r;
        scanf("%d", &r);
        //memset(a, 0, sizeof(a));
        scanf("%d", &n);
        //  memset(mark, 0, sizeof(mark));
        //  memset(sum, 0, sizeof(sum));
        for(int i = 1; i<=n; i++)
        {
            scanf("%d%d%d%d", &l[i], &t[i], &w[i], &h[i]);
        }
        s = get(r);
        int right = r, left = 1, mid;
        while(left<=right)
        {
            mid = (right+left)>>1;
            ll sum =get(mid);
            if(sum >= s-sum)
            {
                right = mid - 1;
            }
            else
            {
                left = mid + 1;
            }
        }
         //cout<<left<<endl;
        ll ans = get(left);
        right = r, left = 1;
        //  cout<<ans<<endl;
        while(left <= right)
        {
            mid = (right+left)>>1;
            ll sum = get(mid);
            if(sum > ans)
            {
                right = mid-1;
            }
            else
            {
                left = mid+1;
            }
        }
        cout<<right<<endl;
    }
    return 0;
}


训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
内容概要:本文介绍了一种基于CEEMDAN-BiLSTM的中短期天气预测模型,通过将完全集合经验模态分解自适应噪声(CEEMDAN)与双向长短期记忆网络(BiLSTM)相结合,实现对复杂气象时间序列的高精度预测。首先利用CEEMDAN对原始气象数据进行多尺度分解,获得多个本征模态函数(IMF)分量和残差,有效解决模式混叠与噪声干扰问题;随后对各IMF分量分别构建BiLSTM模型进行独立预测,充分发挥其对前后时序依赖的建模能力;最后通过集成重构输出最终预测结果。文中还包含了数据预处理、特征提取、模型评估与可视化等完整流程,并提供了MATLAB实现的部分代码示例。该方法显著提升了天气预测的准确性与鲁棒性,适用于多类气象要素的中短期趋势预测。; 适合人群:具备一定机器学习和时间序列分析基础,从事气象、环境、能源等领域研究或工程应用的研发人员、高校研究生及数据科学家。; 使用场景及目标:①应用于温度、风速、降水等气象变量的中短期精准预测;②解决传统模型在非线性、多尺度气象信号建模中的局限性;③构建智能气象预测系统,服务于电力调度、灾害预警、智慧农业等实际业务场景。; 阅读建议:建议结合MATLAB代码实践操作,深入理解CEEMDAN分解机制与BiLSTM建模细节,重点关注数据预处理、模型参数调优与结果集成策略,同时可扩展至多变量联合预测以提升应用价值。
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