2019年2月14日训练日记

本文探讨了信号塔最优布局问题,通过减少重叠覆盖提高效率,并深入分析了方块堆积问题的四种处理方法,包括moveaontob、moveaoverb、pileaontob和pileaoverb,旨在解决复杂的空间排列问题。

今天写几个题目:

在这里插入图片描述

此题主要是求最优的方式来建设信号塔并尽可能满足更多的用户需求,如果单纯的从数学方面考虑,可以依次按实际要建的信号塔数量来进行所有的排列组合,这时再减去所有的组合中重叠的用户部分。(注意输入数据时是有规律的,比如第一个样例输入中的第四行与第五行为2 1 2 7;3 1 2 3 3。如果有一种情况为1 2 3 座信号塔,不止要减去1 2 ;2 3 之间重叠的用户,也要减去1 2 3 三座信号塔共同重叠的部分,这里给的输入数据1 2 3 重叠的部分是与1 2 ,1 3 ,2 3之间单独重合的部分是不同的,因此一定不能忘记减去)

当然此题在所有的组合加起来的时候可以直接排除重合的部分,即先做减法减去重合部分最后做加法,其实道理是类似的。

在这里插入图片描述
此题是一个方块堆积问题,也属于栈顶问题。重点在于那四个对方块的处理方法上:
方法一:move a onto b
where a and b are block numbers, puts block a onto block b after returning any blocks that arestacked on top of blocks a and b to their initial positions.
(如果a和b是块号,则在将任何堆积在块a和b顶部的块返回到它们的初始位置后,将块a放到块b上。)
方法二:move a over b
where a and b are block numbers, puts block a onto the top of the stack containing block b, after returning any blocks that are stacked on top of block a to their initial positions.
(如果a和b是块号,则将块a放到包含块b的堆栈的顶部,然后将任何堆积在块a顶部的块返回到它们的初始位置。)
方法三:pile a onto b
where a and b are block numbers, moves the pile of blocks consisting of block a, and any blocks that are stacked above block a, onto block b. All blocks on top of block b are moved to their initial positions prior to the pile taking place. The blocks stacked above block a retain their order when moved.
(如果a和b是块数,则将由块a和任何在块a上堆叠的块组成的成堆块移到块b上。所有位于b块顶部的块被移动到它们的初始p中。在堆发生之前。上面堆叠的积木a在移动时保留它们的顺序。)
方法四: pile a over b
where a and b are block numbers, puts the pile of blocks consisting of block a, and any blocks that are stacked above block a, onto the top of the stack containing block b. The blocks stacked above block a retain their original order when moved.
(如果a和b是块号,则将由块a和在块a上堆叠的任何块组成的一堆块放在包含块b的堆栈顶部。上面堆叠的块a在移动时保持原来的顺序。)

说的再通俗一点就是:a动b不动,a,b上块是否归位回原位的问题。这似乎就要求我们规定一个记位器(应该可以使用数组)来记录移动后初始位置上是否存在方块,然后再规定一个计数器,来记录有方块的位置上有多少方块,最后依次输出方块的序号。

在这里插入图片描述
此题类似于字典序问题,只需一直读取数据直到读取到EOf,另外由于输出时以单词为单位输出,故只需在读取时也以单词形式读取即可,由于单词以空格间隔,所以可以考虑使用scanf读取数据直到读取数据等于EOF,最后进行字符串的排序,每行输出一个单词(即每行输出一个字符串)即可。

今天就先写这几道题目。

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