gym102341C. Cloyster

该博客介绍了如何使用二分搜索策略在给定的二维矩阵中找到全局最大值,通过不断缩小搜索范围并分析中线最大值来优化查找过程,时间复杂度近似为3n。

https://codeforces.com/gym/102341/problem/C

首先观察发现对于任意一个数,一定有通向最大数的路径

那么我们就可以对最大值所在区间进行二分,选择长和宽较大的那边进行二分

然后我们考虑二分中线上的最大值,如果它比已有的最大值还要大,那么再找他周围四格中的最大值, 如果四格最大值在他左边,由于这个中线上的最大值无法通过中线其他格子找到全局最大值,只能通过他自己到达左边,说明全局最大值就在左边

那么我们不断地二分长宽,直到找到最大值,这样是近似于3n的

代码写得比较精妙,中间重构过一遍,后面才过,即使中线上的最大值不是当前找到的最大值我们也去找周围8个,然后根据找到的最大值确定选最大值在哪一边

 

#include<bits/stdc++.h>
using namespace std;

const int maxl=2010;

int n,mx,mxx,mxy;
int a[maxl][maxl];

inline int qry(int x,int y)
{
	cout<<"? "<<x<<" "<<y<<'\n';
	int ret;cin>>ret;
	return ret;
}

inline void gao(int x,int y)
{
	if(x<1 || x>n || y<1 || y>n)
		return;
	if(!a[x][y])
		a[x][y]=qry(x,y);
	if(a[x][y]>mx)
		mx=a[x][y],mxx=x,mxy=y;
}

inline void gank(int x,int y)
{
	gao(x-1,y);gao(x+1,y);gao(x+1,y-1);gao(x+1,y+1);
	gao(x,y-1);gao(x,y+1);gao(x-1,y-1);gao(x-1,y+1);
}

int main()
{
	cin>>n;
	int l=1,r=n,d=1,u=n,mid;
	while(l<r || d<u)
	{
		if(r-l+1<=u-d+1)
		{
			mid=(u+d)/2;
			for(int j=l;j<=r;j++)
				gao(mid,j);
			gank(mxx,mxy);
			if(mxx<=mid)
				u=mid;
			else
				d=mid+1;
		}
		else
		{
			mid=(l+r)/2;
			for(int i=d;i<=u;i++)
				gao(i,mid);
			gank(mxx,mxy);
			if(mxy<=mid)
				r=mid;
			else
				l=mid+1;
		}
	}
	cout<<"! "<<mxx<<" "<<mxy<<'\n';
}

 

根据原作 https://pan.quark.cn/s/0ed355622f0f 的源码改编 野火IM解决方案 野火IM是专业级即时通讯和实时音视频整体解决方案,由北京野火无限网络科技有限公司维护和支持。 主要特性有:私有部署安全可靠,性能强大,功能齐全,全平台支持,开源率高,部署运维简单,二次开发友好,方便与第三方系统对接或者嵌入现有系统中。 详细情况请参考在线文档。 主要包括一下项目: 野火IM Vue Electron Demo,演示如何将野火IM的能力集成到Vue Electron项目。 前置说明 本项目所使用的是需要付费的,价格请参考费用详情 支持试用,具体请看试用说明 本项目默认只能连接到官方服务,购买或申请试用之后,替换,即可连到自行部署的服务 分支说明 :基于开发,是未来的开发重心 :基于开发,进入维护模式,不再开发新功能,鉴于已经终止支持且不再维护,建议客户升级到版本 环境依赖 mac系统 最新版本的Xcode nodejs v18.19.0 npm v10.2.3 python 2.7.x git npm install -g node-gyp@8.3.0 windows系统 nodejs v18.19.0 python 2.7.x git npm 6.14.15 npm install --global --vs2019 --production windows-build-tools 本步安装windows开发环境的安装内容较多,如果网络情况不好可能需要等较长时间,选择早上网络较好时安装是个好的选择 或参考手动安装 windows-build-tools进行安装 npm install -g node-gyp@8.3.0 linux系统 nodej...
### 使用 `gym.spaces.Box` 定义动作空间 在OpenAI Gym环境中定义连续的动作空间通常会使用到 `gym.spaces.Box` 类。此类允许创建一个多维的盒子形状的空间,其边界由低限(low)和高限(high)参数指定[^1]。 对于给定的例子,在类 `ActionSpace` 中静态方法 `from_type` 返回了一个基于输入类型的行动空间实例: 当 `space_type` 是 `Continuous` 时,返回的是一个三维向量形式的动作空间对象,该对象表示三个维度上的取值范围分别为 `[0.0, 1.0]`, `[0.0, 1.0]`, 和 `[-1.0, 1.0]` 的实数集合,并且数据类型被设定为了 `np.float32`: ```python import numpy as np import gym class ActionSpace: @staticmethod def from_type(action_type: int): space_type = ActionSpaceType(action_type) if space_type == ActionSpaceType.Continuous: return gym.spaces.Box( low=np.array([0.0, 0.0, -1.0]), high=np.array([1.0, 1.0, 1.0]), dtype=np.float32, ) ``` 此段代码展示了如何通过传递最低限度(`low`)数组以及最高限度(`high`)数组来初始化一个新的Box实例,从而构建出一个具有特定界限的多维连续数值区间作为环境可能采取的一系列合法行为的选择集的一部分。 另外值得注意的是,每个环境都应当具备属性 `action_space` 和 `observation_space` ,这两个属性应该是继承自 `Space` 类的对象实例;Gymnasium库支持大多数用户可能会需要用到的不同种类的空间实现方式[^2]。 #### 创建并测试 Box 动作空间的一个简单例子 下面是一个简单的Python脚本片段用于展示怎样创建和验证一个基本的 `Box` 空间成员资格的方法: ```python def check_box_space(): box_space = gym.spaces.Box(low=-1.0, high=1.0, shape=(2,), dtype=np.float32) sample_action = box_space.sample() # 获取随机样本 is_valid = box_space.contains(sample_action) # 检查合法性 print(f"Sampled action {sample_action} within bounds? {'Yes' if is_valid else 'No'}") check_box_space() ``` 上述函数首先建立了一个二维的 `-1.0` 到 `1.0` 范围内的浮点型 `Box` 空间,接着从中抽取了一组随机样本来检验它确实位于所规定的范围内。
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