【2012百度之星/初赛下】B:网页聚类

本文介绍了一个聚类问题的解决方法,通过计算三维空间中各点之间的距离,利用广度优先搜索算法实现聚类,最终找到最大相似度阈值t,确保N个数据点能被正确划分为K个类别。
部署运行你感兴趣的模型镜像

描述:有N(N2+ (y_j-y_i)2 + (z_j-z_i)2。请求出最大的t,使得N个网页可以聚成K类,其中每个类至少包含一个网页,且任意两个位于不同类中网页的相似度都至少为t。

输入

第一行包含两个整数N和K,后面N行每行三列,分别为x、y、z。

输出

最大的t的值,使用四舍五入在小数点后保留六位小数。

样例输入

5 3

0.1 0.2 0.4

0.2 0.8 0.7

0.3 0.4 0.5

0.0 0.5 0.0

0.3 0.3 0.2

样例输出

0.170000

#include<iostream>
#include<cstdio>
#include<queue>
#include<vector>
using namespace std; 

const int MAXN = 2010;
const double EPS = 1e-8;

double x[MAXN], y[MAXN], z[MAXN], d[MAXN][MAXN];
bool vis[MAXN];
int n, k, cnt, belong[MAXN];
queue <int> q;
vector <int> e[MAXN];
vector <int> :: iterator iter; 

double dist(int i, int j)
{
	return (x[i] - x[j]) * (x[i] - x[j]) + (y[i] - y[j]) * (y[i] - y[j]) + (z[i] - z[j]) * (z[i] - z[j]);
}
void bfs(int p)
{
	memset(vis , 0 , sizeof(vis));
	q.push(p);
	while (!q.empty())
	{
		int u = q.front();
		q.pop();
		belong[u] = cnt, vis[u] = true;
		for(iter = e[u].begin(); iter != e[u].end(); ++iter)
		{
			if (!vis[*iter])
				q.push(*iter);
		}
	}
}
bool check(double t)
{
	int i, j;
	for (i = 0; i < n; ++i)
	{
		e[i].clear();
		for (j = 0; j < n; ++j)
		{
			if (d[i][j] < t && i != j)
			{
				e[i].push_back(j);
			}
		}
	}
	cnt = 0;
	for (i = 0; i < n; ++i)
	{
		if (!belong[i])
		{
			cnt++;
			bfs(i);
		}
	}
	return cnt >= k;
}
int main(void)
{
	int i, j;
	scanf("%d %d", &n, &k);
	for (i = 0; i < n; ++i)
	{
		scanf("%lf %lf %lf", &x[i], &y[i], &z[i]);
	}
	for (i = 0; i < n; ++i)
	{
		for (j = 0; j < n; ++j)
		{
			d[i][j] = dist(i, j);
		}
	}
	double l = 0, r = 3;
	while (r - l > EPS)
	{
		memset(belong , 0 , sizeof(belong));
		double mid = (l + r) / 2;
		if( check(mid) )
			l = mid;
		else
			r = mid;
	}
	printf("%.6lf\n", l);
	return 0;
}


您可能感兴趣的与本文相关的镜像

Wan2.2-T2V-A5B

Wan2.2-T2V-A5B

文生视频
Wan2.2

Wan2.2是由通义万相开源高效文本到视频生成模型,是有​50亿参数的轻量级视频生成模型,专为快速内容创作优化。支持480P视频生成,具备优秀的时序连贯性和运动推理能力

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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