处理线段相交问题

这篇博客介绍了线段相交的快速检测方法,包括通过比较矩形位置和使用向量叉积来判断线段是否相交。文章提供了一个C++程序实现,用于计算一组线段中相交的数量,并给出了详细的解释和示例。

在这里插入图片描述

  1. 快速排斥

就是初步的判断一下,两条线段是不是相交,以两条线段为对角线的矩形,如果不重合的话,那么两条线段一定不可能相交。

<1>线段ab的低点低于cd的最高点(可能重合)

<2>cd的最左端小于ab的最右端(可能重合)

<3>cd的最低点低于ab的最高点(加上条件1,两线段在竖直方向上重合)

<4>ab的最左端小于cd的最右端(加上条件2,两直线在水平方向上重合)

综上4个条件,两条线段组成的矩形是重合的。

(2) 跨立实验

如果两条线段相交,那么必须跨立,就是以一条线段为标准,另一条线段的两端点一定在这条线段的两段

即A、B两点在线段CD的两端,C、D两点在线段AB的两端

这里就用到了向量叉积的知识点,有向量叉积的物理意义知:AB x CD=-CD x AB

看下图:

若(CA x CD)·(CB x CD)<=0;

则说明向量CA、CB对于向量CD的方向不同,则A、B在线段CD的两侧,由此可以判断!

#include<bits/stdc++.h>
#include<string>
using namespace std;
typedef long long ll;
using namespace std;
#define inf  99999999;
const int N=500005;

const double eps=1e-6; 
ll ans=0;
struct Point
{
	double x,y;
}h[300];
bool cross(const Point &a,const Point &b,const Point &c,const Point &d) 
{
	if(min(a.x, b.x) > max(c.x, d.x) || min(a.y, b.y) > max(c.y, d.y) || min(c.x, d.x) > max(a.x, b.x) || min(c.y, d.y) > max(a.y, b.y) )
    return false; 
    double u,v,w,z;
    u=(c.x-a.x)*(b.y-a.y)-(b.x-a.x)*(c.y-a.y);  //AC×AB
    v=(d.x-a.x)*(b.y-a.y)-(b.x-a.x)*(d.y-a.y);  //AD×AB
    w=(a.x-c.x)*(d.y-c.y)-(d.x-c.x)*(a.y-c.y);  //CA×AB
    z=(b.x-c.x)*(d.y-c.y)-(d.x-c.x)*(b.y-c.y);  //CB×AB
   
    if(u*v<=1e-9&&w*z<=1e-9)
        return true;
    return false; 

	 
}


int main()
{
     int n;
   while(~scanf("%d",&n)&&n)
   {
   
   for(int i=0;i<2*n;i+=2)
   {
   	cin>>h[i].x>>h[i].y>>h[i+1].x>>h[i+1].y;
   	
   }
   int sum=0;
   for(int i=0;i<2*n-2;i+=2)
   {
   	for(int j=i+2;j<2*n;j+=2)
   	{
   	//	cout<<"->"<<endl; 
   		if(cross(h[i],h[i+1],h[j],h[j+1]))
   		{ 
   		//cout<<i<<" -> "<<j<<endl; 
   		sum++;
   		} 
	   }
   }
   cout<<sum<<endl;
}
    return 0;
}


根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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