poj1068 Parencodings

本文介绍了一种用于处理括号序列的算法实现,通过输入P-sequence和计算对应的W-sequence来解决括号匹配问题。提供了两种不同的实现方法,一种使用了辅助数组p1来跟踪每个右括号左侧的左括号数量,另一种则通过动态更新数组bra来存储括号的位置信息。

原题链接:Parencodings

题意:

    S        (((()()())))
    P-sequence        4 5 6666    从左到右每个右括号之前左括号的个数
    W-sequence        1 1 1456    从左到右每个右括号和与之配对的左括号内有多少对括号(包括其本身)

#include <cstdio>
const int MAX_N = 20;
int p[MAX_N], w[MAX_N], p1[MAX_N];   //p1[i]表示第i个右括号 左边 相邻左括号的个数
int main(){
	int T, n, i, j;
	scanf("%d", &T);
	while(T --){
		scanf("%d", &n);
		for(i = 0;i < n;i ++){
			scanf("%d", &p[i]);
			p1[i] = i > 0 ? p[i] - p[i - 1] : p[i];	//转换为第i个右括号 
		}
		for(i = 0;i < n;i ++){
			for(j = i, w[i] = 1; !p1[j --] ;w[i] ++);	//w[i]加上左边相邻右括号的个数+1 
			p1[j + 1] --;
		}
		for(i = 0;i < n;i ++)
			printf("%d%c", w[i], i == n - 1 ? '\n' : ' ');
	}
	return 0; 
}
#include <stdio.h>
#include <string.h> 
int p[22], w[22];
int bra[50];	//保存括号0:左括号 1:右括号 
int main(){
	int T, n;
	scanf("%d", &T);
	while(T --){
		memset(bra, 0, sizeof(bra));
		int i, j;
		scanf("%d", &n);
		int t = 0;
		for(i = 0;i < n;i ++){
			scanf("%d", &p[i]);
			if(i > 0)
				t += p[i] - p[i - 1] + 1;
			else
				t = p[0];
			bra[t] = 1;	//此处为右括号 
		}
//		for(i = 0;i < 2 * n;i ++)
//			printf("%d%c", bra[i], i == 2 * n - 1 ? '\n' : ' ');
		int dex = 0;
		for(i = 0;i < 2 * n;i ++){
			if(bra[i] == 1){	//遇到右括号时 
				int cnt = 1, vis = 0;
				for(j = i - 1;j >= 0;j --){
					if(bra[j] == 0){	//右括号左边是左括号 
						if(vis == 0){
							w[dex ++] = cnt;
							break;
						}
						vis --;	//遇到左括号与右括号配对,数量减一 
					}else{	//左边是右括号,数量加1 
						cnt ++;
						vis ++;	//记录左边右括号的个数 
					}
				}
			}
		}
		for(i = 0;i < n;i ++){
			printf("%d%c", w[i], i == n - 1 ? '\n' : ' ');
		}
	}
	return 0; 
}



内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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