CF1114D 【Flood Fill】

本文介绍了一种使用区间动态规划解决涂色问题的方法。通过定义dp[i][j]为区间[l,r]涂成同色的最小代价,利用递推公式dp[i][j]=min(dp[i][j],dp[i][k]+dp[k][j]+1)进行求解。文章提供了完整的C++代码实现。

Solution

一看就是很水的区间DP

\(dp[i][j]\)表示区间\([l,r]\)都涂成同色的代价。
\(dp[i][j] = min( dp[i][j], dp[i][k] + dp[k][j] + 1)\)

#include<bits/stdc++.h>
using namespace std;
int n, x, a[5010], f[5010][5010], y, cnt;
int main() {
    scanf("%d", &n);
    for (int i = 1; i <= n; i ++) {
        scanf("%d", &x);
        if (x != y) a[++ cnt] = x;
        y = x;
    }
    for (int i = 1; i <= cnt; i ++)
        for (int j = 1; j + i <= cnt; j ++)
            if (a[j] == a[j + i])
                f[j][j + i] = f[j + 1][j + i - 1] + 1;
            else f[j][j + i] = std::min(f[j + 1][j + i], f[j][j + i - 1]) + 1;
    return printf("%d\n", f[1][cnt]), 0;
}

转载于:https://www.cnblogs.com/wjnclln/p/10729770.html

import xarray as xr import numpy as np import pandas as pd # 1. 读取NetCDF文件 ds = xr.open_dataset(r'D:\Python\pythonProject1\pre_1960_2014_fixed.nc', chunks={'time': 100}) # 分块读取处理大数据 # 2. 时间维度处理(假设时间单位是天数) # 转换为datetime格式(需根据实际时间单位调整) time_units = ds.time.attrs.get('units', 'days since 1900-01-01') times = xr.decode_cf(ds).time # 提取年份和月份 year = times.dt.year month = times.dt.month # 选择5-8月数据 summer_months = ds.sel(time=ds.time.dt.month.isin([5, 6, 7, 8])) # 3. 标准化降水(按月计算Z-score) def standardize_by_month(data): """按月计算标准化降水""" # 按月分组计算均值和标准差 monthly_mean = data.groupby('time.month').mean('time', skipna=True) monthly_std = data.groupby('time.month').std('time', skipna=True) # 标准化处理 standardized = (data.groupby('time.month') - monthly_mean) standardized = standardized.groupby('time.month') / np.maximum(monthly_std, 1e-6) # 避免除零 return standardized # 应用标准化 pre_std = standardize_by_month(summer_months['pre']) # 4. SDFAI计算函数 def calculate_sdfai(pi, pj): """计算单个月对的SDFAI指数""" diff = pj - pi abs_sum = np.abs(pi) + np.abs(pj) exponent = -np.abs(pi + pj) return diff * abs_sum * np.power(3.2, exponent) # 5. 计算每年的指数对(5-6,6-7,7-8) def compute_yearly_sdfai(dataset): """计算每年的SDFAI指数""" years = np.unique(dataset.time.dt.year) results = [] for year in years: year_data = dataset.sel(time=dataset.time.dt.year == year) # 提取各月数据 may = year_data.sel(time=year_data.time.dt.month == 5).pre june = year_data.sel(time=year_data.time.dt.month == 6).pre july = year_data.sel(time=year_data.time.dt.month == 7).pre august = year_data.sel(time=year_data.time.dt.month == 8).pre # 计算三个指数对 may_june = calculate_sdfai(may, june) june_july = calculate_sdfai(june, july) july_august = calculate_sdfai(july, august) # 组合为年度数据 year_sdfai = xr.concat([may_june, june_july, july_august], dim=xr.DataArray(['May-Jun', 'Jun-Jul', 'Jul-Aug'], name='period')) results.append(year_sdfai.expand_dims(dim={'year': [year]})) return xr.concat(results, dim='year') # 6. 执行计算并保存结果 sdfai_result = compute_yearly_sdfai(pre_std.to_dataset(name='pre')) # 添加描述性属性 sdfai_result.attrs = { 'long_name': 'Short-term Drought-Flood Abrupt Alternation Index', 'units': 'dimensionless', 'formula': '(Pj-Pi)*(|Pi|+|Pj|)*3.2^(-|Pi+Pj|)', 'calculation_period': 'May to August' } # 保存结果 sdfai_result.to_netcdf('sdfai_results.nc') print("SDFAI计算完成,结果已保存至sdfai_results.nc") 这是最开始进行SDFAI计算的程序,能不能直接在这个程序的基础上直接生成分析图,不用生成sdfai_results.nc
09-11
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