hdu 2036 一个数学的知识

本文介绍了一种使用向量叉乘计算平面内多边形面积的方法,并提供了一个简单的C++实现示例。该方法利用了向量的叉乘特性来计算由一系列顶点构成的多边形面积。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一个求面积问题,用叉乘    ;

  • 如三角形面积       s=1/2*a×b =1/2*|a|*|b|*sinß;    
  • 这里面有一个线代公式,求面积用的,虽然不知道,转了这一题,大概会应用了;
  • 即多边形任意两点的叉积和的一半;    

/*o为坐标原点,向量OA叉乘向量OB的一半就是三角形OAB的面积
且面积有方向,若向量OB在向量OA的顺时针方向,面积为负,逆时针方向
则为正。将所有以原点为起点的向量依次叉乘,即能将非多边形部分的面积抵消*/
#include <stdio.h>
#include <math.h>
#include <iostream>
#include <algorithm>
#include <stdlib.h>
using namespace std;
int main()
{
	int n;
	int a[110],b[110];
	while(cin>>n && n!=0)
	{
		for (int i=0;i<n;i++)
			cin>>a[i]>>b[i];
		a[n]=a[0];
		b[n]=b[0];
		double ans=0;
		for (int j=0;j<n;j++)
			ans += a[j]*b[j+1] - b[j]*a[j+1];
		if (ans<0)
			ans *= -1;
		printf("%.1lf\n",ans/2);
	}
}


基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
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