【堆栈】POJ2082-Terrible Sets-【容易题】

本文介绍了一种通过堆栈实现的高效算法来寻找由多个矩形组成的最大单一矩形区域。该算法保持堆栈中矩形高度递增,并在新矩形高度较低时,调整堆栈并计算可能的最大矩形面积。

题目大意:
可以理解为有很多的矩形从左至右连接在一起,每个矩形的大小可能不同,问怎么样可以取得最大一个矩形
相当于把所有的矩形从左至右放到一个X轴上,然后其中最大可以画出来的矩形

题目算法:
利用堆栈,始终保持堆栈中的元素(矩形)的高度为从小到大

如果新加入的矩形的高度要小于栈定的高度
则把栈顶的矩阵出栈
直到满足条件(栈顶的元素的高度 小于要加进来的高度)

当然一直出栈的时候要记住两件事
第一件事,每当即将出栈之前,累计长度length
第二件事,判断length * 即将出栈的高度 > maxValue(本轮出栈所能取得的最大值,初值为0),满足即将maxValue设置为其值
第三件事,判断maxValue > result (结果值,初始值为-1,不会随另外一个矩形的加入而改变,每个case才会重新赋值-1)

这样最后就可以把要入栈的矩阵的长度 另外再加上length,然后入栈

继续添加下一个矩阵

所有添加完以后,用刚才的方法,从栈顶开始,逐个出栈,同时:
1.出栈之前累积长度length
2.判断length*即将出栈的高度 >maxValue 成立即赋值给maxvalue

所有都出栈后maxValue与result比较,取大者为结果

Terrible Sets
Time Limit: 1000MS Memory Limit: 30000K
Total Submissions: 2621 Accepted: 1325

Description

Let N be the set of all natural numbers {0 , 1 , 2 , . . . }, and R be the set of all real numbers. wi, hi for i = 1 . . . n are some elements in N, and w0 = 0. 
Define set B = {< x, y > | x, y ∈ R and there exists an index i > 0 such that 0 <= y <= hi ,∑0<=j<=i-1wj <= x <= ∑0<=j<=iwj} 
Again, define set S = {A| A = WH for some W , H ∈ R+ and there exists x0, y0 in N such that the set T = { < x , y > | x, y ∈ R and x0 <= x <= x0 +W and y0 <= y <= y0 + H} is contained in set B}. 
Your mission now. What is Max(S)? 
Wow, it looks like a terrible problem. Problems that appear to be terrible are sometimes actually easy. 
But for this one, believe me, it's difficult.

Input

The input consists of several test cases. For each case, n is given in a single line, and then followed by n lines, each containing wi and hi separated by a single space. The last line of the input is an single integer -1, indicating the end of input. You may assume that 1 <= n <= 50000 and w1h1+w2h2+...+wnhn < 109.

Output

Simply output Max(S) in a single line for each case.

Sample Input

3
1 2
3 4
1 2
3
3 4
1 2
3 4
-1

Sample Output

12
14

#include <iostream>
#include <stack>
using namespace std;
struct Node
{
	int x,y;
};
stack<Node> s;

int main()
{
	int N,result;
	while(scanf("%d",&N) && N!=-1)
	{
		result=-1;
		for(int i=0;i<N;i++)
		{
			Node n;
			scanf("%d %d",&n.x,&n.y);
			if(s.empty() )
				s.push(n);
			else
			{
				if(s.top().y < n.y)
					s.push(n);
				else
				{
					int length=0,maxValue=-1;
					while( !(s.top().y < n.y  ) )
					{
						length+=s.top().x;
						if( length*s.top().y > maxValue)
							maxValue=length * s.top().y;
						if(maxValue>result)
							result=maxValue;
						s.pop();
						if( s.empty())
							break;
					}
					n.x+=length;
					s.push(n);
				}//end if-else top.y<n.y
			}//end if-else s.empty()
		}//end process N th Matrix
		//开始扫描计算最大值
		int maxValue=-1,length=0;
		while(!s.empty() )
		{
			length+=s.top().x;
			if(length * s.top().y > maxValue)
				maxValue = length * s.top().y;
			s.pop();
		}
		if(maxValue>result)
			result=maxValue;
		printf("%d\n",result);
	}
	return 0;
}


内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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