hduoj 3548 Enumerate the Triangles

本文提供了一种高效的算法来解决在给定n个点(0≤x,y≤1000)的情况下,找出构成三角形的最小周长问题。算法通过排序和条件判断来优化计算过程,避免了直接暴力搜索导致的超时问题。

题目不难理解:

求n个点中组成三角形的最小周长 (3 <= N <= 1000)   (x,y) (0 <= X, Y <= 1000);

 

本人见解:

若是直接暴力三重循环n==1000定会超时,如不超时可能是编译器对你有好感了~~


A,B,C三条边,周长D=A+B+C,根据三角形三条边的互相约束,D>2*A  && D>2*B&& D> 2*C(程序中用一个就行了)

若A是端点点a,b组成,A>=fabs(a.x-b.x), 故  D>(a.x-b.x)

所以按照x升序排序,若执行到ans<=fabs(a.x-b.x)就可以结束当前循环

 如 if(ans<=2*fabs(1.0*p[i].x-p[j].x))    break;

话不多说,直接上代码

#include <cstdio>
#include <cmath>
#include <algorithm>
#include <cctype>
#define EPS 1e-6
using namespace std;
struct node
{
    int x,y;
};
node p[1200];
bool cmp(const node &a,const node &b)
{
    if(a.x<b.x)
        return true;
    return false;
}

double dis(node a,node b)   // 求距离
{
    return sqrt((a.x-b.x)*(a.x-b.x)+(a.y-b.y)*(a.y-b.y));
}

int line(node a,node b,node c)  //判断三点是否在同一条线
{
      if(  (a.y-b.y)*(a.x-c.x)==(a.y-c.y)*(a.x-b.x) )
        return 1;
    return 0;
}
int main()
{
    int T,n,i,j,k,th=1;
    scanf("%d",&T);
    while(T--)
    {
        scanf("%d",&n);
        for(i=0;i<n;i++)
        {
            scanf("%d%d",&p[i].x,&p[i].y);
        }
        sort(p,p+n,cmp);
        double ans=200000000;
        for(i=0;i<n;i++)
        {
            for(j=i+1;j<n;j++)
            {
                if(ans<=2*fabs(1.0*p[i].x-p[j].x))  //执行到ans<=fabs(a.x-b.x)就可以结束当前循环
                    break;
                if(ans<=dis(p[i],p[j]))
                    continue;
                for(k=j+1;k<n;k++)
                {
                    if(ans<=2*fabs(1.0*p[j].x-p[k].x))   //执行到ans<=fabs(a.x-b.x)就可以结束当前循环
                          break;
                    if(!line(p[i],p[j],p[k]))  //判断三点是否在同一条线
                    ans=min(ans,dis(p[i],p[j])+dis(p[i],p[k])+dis(p[j],p[k]));
                }
            }
        }
        if(ans==200000000)     // 所有点位于同一条线
           printf("Case %d: No Solution\n",th++);
        else
            printf("Case %d: %.3lf\n",th++,ans);

    }
    return 0;
}




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。
### Python 中 `enumerate` 函数的用法与实例 #### 什么是 `enumerate`? `enumerate` 是 Python 的内置函数,用于在循环过程中同时获取列表或其他可迭代对象中的索引及其对应的值。它返回的是一个枚举对象,其中每个元素是一个 `(index, value)` 形式的元组。 其基本语法如下: ```python enumerate(iterable, start=0) ``` - **参数说明**: - `iterable`: 需要遍历的对象(如列表、字符串等)。 - `start`: 枚举计数起始位置,默认为 0[^1]。 --- #### 使用场景及示例 ##### 场景一:简单列举列表项并打印索引和值 通过 `enumerate` 可以轻松实现一边遍历列表一边记录当前项目的索引。 ```python fruits = ["apple", "banana", "cherry"] for index, fruit in enumerate(fruits): print(f"Index {index}: {fruit}") ``` 运行结果: ``` Index 0: apple Index 1: banana Index 2: cherry ``` 此方法相比手动维护索引更加简洁高效[^1]。 --- ##### 场景二:自定义起始索引 可以设置第二个参数来改变默认从零开始的行为。 ```python months = ["January", "February", "March"] for month_num, month_name in enumerate(months, start=1): print(f"{month_num}th Month is {month_name}.") ``` 输出将是: ``` 1st Month is January. 2nd Month is February. 3rd Month is March. ``` 这里我们将初始编号调整为了1而不是标准情况下的0[^2]。 --- ##### 场景三:结合 Pandas 数据框操作 当处理像 DataFrame 这样的结构化数据时,也可以利用 `enumerate` 来访问行或者列的信息。 假设我们有一个简单的DataFrame: ```python import pandas as pd df = pd.DataFrame({ 'A': [1, 2], 'B': [3, 4] }) print(df) # 输出原表 A B 0 1 3 1 2 4 ``` 如果想逐行列出每一行的数据以及它的序号,则可以用下面的方式完成: ```python for idx, row in enumerate(df.values): print(f'Row {idx}: ', list(row)) ``` 最终得到的结果会是这样的形式: ``` Row 0: [1, 3] Row 1: [2, 4] ``` 这展示了如何将Pandas DataFrames 转换成 NumPy 数组再配合 `enumerate` 实现更灵活的操作[^3]。 --- ##### 场景四:应用于深度学习模型开发前的数据预处理阶段 比如在一个自然语言处理项目里准备训练集的时候,可能需要知道每句话在整个语料库里的具体位置以便后续追踪错误样本等问题。此时就可以借助于 `enumerate` 达到目的。 假设有这样一段代码片段用来加载NER标注过的新闻标题作为输入特征X 和标签Y : ```python data_tuple_list = get_table('train_ner_news_title') df = pd.DataFrame(data_tuple_list, columns=['mid', 'x', 'y']) sentences = df['x'].tolist() labels = df['y'].tolist() for i, sentence in enumerate(sentences[:5]): print(f"Sentence No.{i+1}:{sentence}, Label:{labels[i]}") ``` 以上脚本选取了前五个句子连同它们各自的类别一起展示出来便于调试验证[^4]。 --- ### 总结 综上所述,`enumerate` 提供了一种优雅的方式来增强程序逻辑清晰度的同时减少冗余变量声明次数,在多种实际应用场合下都展现了其实用价值。
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
 
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