【HDU5784】How Many Triangles(极角排序 + two-pointer)

本文介绍一种高效算法,用于计算平面上给定点集所能构成的锐角三角形数量。通过极角排序与双指针技巧将复杂度降至O(n²logn),并提供了完整的C++实现代码。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

记录一个菜逼的成长。。

题目大意:
给你一些点的坐标让你求出锐角三角形的个数。
题解:
数一数锐角的数量A和直角+钝角的数量B,那么答案就是(A-2B)/3。 暴力算的话是O(n^3)的。使用极角排序+two pointers就可以做到O(n2log n)。
这边钝角指代范围在90度到180度之间的角(不包括90和180)。

#include <cstdio>
#include <iostream>
#include <cstring>
#include <string>
#include <algorithm>
#include <cstdlib>
#include <vector>
#include <set>
#include <map>
#include <queue>
#include <list>
#include <deque>
#include <cctype>
#include <bitset>
#include <cmath>
using namespace std;
#define cl(a) memset(a,0,sizeof(a))
#define ALL(a) (a).begin(),(a).end()
typedef long long LL;
typedef unsigned long long ULL;
typedef pair<int,int> PII;
typedef pair<LL,LL> PLL;
const int INF = 0x3f3f3f3f;
const int maxn = 2000 + 10;
class Point{
public:
    int x,y;
    Point(){}
    Point(int _x ,int _y):x(_x),y(_y){}
    Point operator - (const Point &a)
    {
        return Point(x - a.x,y - a.y);
    }
}point[maxn];
int n;
LL det(const Point &a,const Point &b)//叉积 判断sin的符号
{
    return a.x * 1LL * b.y - a.y * 1LL * b.x;
}
LL dot(const Point &a,const Point &b)//点积  判断cos的符号
{
    return a.x * 1LL * b.x + a.y * 1LL * b.y;
}
bool Polar_cmp(Point a,Point b)//极角排序
{
    if (a.y * 1ll * b.y <= 0) {             //两个点在x轴的上下方
        if (a.y >= 0 || b.y >= 0) return a.y < b.y; //若两点连线不与x轴平行 
        if (a.y == 0 && b.y == 0) return a.x < b.x; //若两点连线与x轴平行
    }
    return det(a,b) > 0;                //按从a 到 b 为锐角排序
}
LL solve()
{
    LL num1 = 0;//锐角数量
    LL num2 = 0;//直角和钝角数量
    vector<Point>vec;
    for( int i = 0; i < n; i++ ){
        vec.clear();
        for( int j = 0; j < n; j++ ){
            if(j != i){
                vec.push_back(point[j] - point[i]);
            }
        }
        sort(ALL(vec),Polar_cmp);
        vec.insert(vec.end(),ALL(vec));
        for( int j = 0,t = 0,k = 0,r = 0; j < n - 1; j++ ){
            while(t < j + n - 1 && det(vec[j],vec[t]) == 0 && dot(vec[j],vec[t]) > 0)t++;//去掉共线和重点,虽然题目已说任意两点不同。。
            k = max(k,t);
            while(k < j + n - 1 && det(vec[j],vec[k]) > 0 && dot(vec[j],vec[k]) > 0)k++;
            r = max(k,r);
            while(r < j + n - 1 && det(vec[j],vec[r]) > 0)r++;
            num1 += k - t;
            num2 += r - k;
        }
    }
    return (num1 - 2 * num2) / 3;
}
int main()
{
    while(~scanf("%d",&n)){
        for( int i = 0; i < n; i++ ){
            scanf("%d%d",&point[i].x,&point[i].y);
        }
        printf("%lld\n",solve());
    }
    return 0;
}
内容概要:本书《Deep Reinforcement Learning with Guaranteed Performance》探讨了基于李雅普诺夫方法的深度强化学习及其在非线性系统最优控制中的应用。书中提出了一种近似最优自适应控制方法,结合泰勒展开、神经网络、估计器设计及滑模控制思想,解决了不同场景下的跟踪控制问题。该方法不仅保证了性能指标的渐近收敛,还确保了跟踪误差的渐近收敛至零。此外,书中还涉及了执行器饱和、冗余解析等问题,并提出了新的冗余解析方法,验证了所提方法的有效性和优越性。 适合人群:研究生及以上学历的研究人员,特别是从事自适应/最优控制、机器人学和动态神经网络领域的学术界和工业界研究人员。 使用场景及目标:①研究非线性系统的最优控制问题,特别是在存在输入约束和系统动力学的情况下;②解决带有参不确定性的线性和非线性系统的跟踪控制问题;③探索基于李雅普诺夫方法的深度强化学习在非线性系统控制中的应用;④设计和验证针对冗余机械臂的新型冗余解析方法。 其他说明:本书分为七章,每章内容相对独立,便于读者理解。书中不仅提供了理论分析,还通过实际应用(如欠驱动船舶、冗余机械臂)验证了所提方法的有效性。此外,作者鼓励读者通过仿真和实验进一步验证书中提出的理论和技术。
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