LintCode 414. Divide Two Integers (Binary Search经典题!!!)

本文介绍了一种不使用乘法、除法和取余运算实现整数除法的方法,通过二进制搜索和位移操作解决整数除法问题,避免了溢出,并详细讨论了各种边界条件和陷阱。
  1. Divide Two Integers

Divide two integers without using multiplication, division and mod operator.

If it will overflow(exceeding 32-bit signed integer representation range), return 2147483647

Example
Example 1:

Input: dividend = 0, divisor = 1
Output: 0
Example 2:

Input: dividend = 100, divisor = 9
Output: 11

代码如下:
这题的解法还是基于binary search。

  1. 每次shift<<1,直到dividend < (divisor<<shift)然后dividend -= (divisor << (shift - 1)); 如此往复,直到dividend < divisor;
  2. 一定要记得用long long。
    如果不用long long,此题有无数陷阱:
    a) isNegative也可以用 dividend * divisor < 0 来判断(不过此题不允许用乘法)。但乘积很可能超过INT_MAX或INT_MIN。如果用(long long) (dividend * divisor) < 0也不对,因为dividend * divisor本身就越界了。必须用 (long long)dividend * divisor
    b) 如果dividend = -2147483648, divisor = -1,除下来等于2147483648 > 2147483647 已经越界。可以专门针对这种情况处理。
    c) 如果dividend和divisor有负数,不能仅仅加个负号就将其变正。因为它们可能等于-2147483648,加负号又越界。
    d) 在while ((divisor << shift) <= dividend) {
    shift++;
    }
    这里当shift大到一定程度,divisor<<shift可能等于2147483648,这样又越界,实际还是负数(=-2147483648),所以还是小于dividend! 这个bug很难发现!
    顺便说一下为什么2147483648实际上是存的-2147483648呢?
    因为
    2147483647 = 01111111 11111111 11111111 11111111
    -2147483647表示为(2的补码)
    10000000 00000000 00000000 00000001
    -2147483648(2的补码)还可以比-2147483647少1,所以是
    10000000 00000000 00000000 00000000
    另外,实际上补码的补码就是原码(数的原始表示)
    所以10000000 00000000 00000000 00000000 的补码是
    11111111 11111111 11111111 11111111 + 1,第一个1是负号,所以
    1111111 11111111 11111111 11111111 + 1 = 10000000 00000000 00000000 00000000=2147483648,这里第一个1是实际数字。加上负号,即-2147483648。
class Solution {
public:
    /**
     * @param dividend: the dividend
     * @param divisor: the divisor
     * @return: the result
     */
    int divide(int dividend, int divisor) {
        if (divisor == 0) return INT_MAX;
        if (dividend == INT_MIN && divisor == -1) return INT_MAX;  //important! 
        if (dividend == 0) return 0;
        
       // bool isNegative = (((long long)dividend * divisor) > 0) ? false : true; //remember to use long long! Otherwise overflow (case: 2147483647 2)
        bool isNegative = ((dividend < 0) && (divisor > 0)) || ((divisor < 0) && (dividend > 0));
        
        long long dividendll = (long long)dividend, divisorll = (long long)divisor;
        if (isNegative) {
            if (dividendll < 0) dividendll = -dividendll; //note! it is incorrect for case dividend ==  -2147483648
            else divisorll = -divisorll;
        } else if (dividendll < 0) {
            dividendll = -dividendll;
            divisorll = -divisorll;
        }
        int quotient = 0;
        
        while(dividendll >= divisorll) {
            int shift = 1;
            while ((divisorll << shift) <= dividendll) {
                shift++;
            }
            quotient += 1 << (shift - 1);
            dividendll -= (divisorll << (shift - 1));
        }
        
        return quotient * (isNegative ? -1 : 1);    
    }
};
基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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