graham求凸包——poj1133Wall

本文详细介绍了格拉姆扫描算法的基本原理与实现步骤,并通过一个具体的实例来展示如何使用该算法解决凸包问题。文章首先解释了如何利用向量叉积判断点的位置关系,接着讨论了极角排序的方法,并特别关注了多点共线情况下的处理方式。

http://poj.org/problem?id=1113
这一篇博客讲的是在是好,虽然不是那么细;
http://blog.youkuaiyun.com/bone_ace/article/details/46239187
对于这篇博客,我补充一下;
这里写图片描述
里面提到的左边右边,这个是相对与顺时针逆时针的,可以用向量的叉积去求;
然后就是极角排序;
其实我们最终的目的就是让这些点和原点的线按斜率排序;
我们可以这样;
这里写图片描述
按x/y从大到小排序;
对吧?;
当然要处理y=0的情况;
然后我们看一下多点共线的情况;
这里写图片描述
现在四点共线,绿色和黄色两种方案所形成的答案是不一样的;
所以我们要让同一直线的点有序;
这个在排序里面改就好了;
另外这题数据比较贱,需要针对性进行特判;

#include <iostream>
#include <string>
#include <cstdio>
#include<algorithm>
#include<cmath>
#define Ll long long 
using namespace std;
struct dian{int x,y;}a[1005];
int q[1005],top;
int n,l,num,yy;
double ans;
bool cmp(dian a,dian b){
    double A,B;
    if(a.y)A=(double)(a.x)/a.y;else if(a.x>0)A=1e9;else A=-1e9;
    if(b.y)B=(double)(b.x)/b.y;else if(b.x>0)B=1e9;else B=-1e9;
    if(A!=B)return A>B;
    if(a.y!=b.y)return a.y>b.y;//防止多点共线 
    return a.x<b.x;
}
bool ok(int k){
    int x=a[k].x-a[q[top-1]].x;
    int y=a[k].y-a[q[top-1]].y;
    int xx=a[q[top]].x-a[q[top-1]].x;
    int yy=a[q[top]].y-a[q[top-1]].y;
    if(xx*y-x*yy>=0)return 1;return 0;//叉积 
}
void graham(){
    q[1]=1; q[2]=2; top=2;
    for(int i=3;i<=n;i++){
        while(!ok(i))top--;
        q[++top]=i;
    }
}
double get(int A,int b){
    int x=abs(a[q[A]].x-a[q[b]].x);
    int y=abs(a[q[A]].y-a[q[b]].y);
    x*=x; y*=y;
    return sqrt((double)(x+y));
}
int main()
{
    yy=100000;
    scanf("%d%d",&n,&l);
    for(int i=1;i<=n;i++){
        scanf("%d%d",&a[i].x,&a[i].y);
        if(yy>a[i].y)yy=a[i].y,num=i;
    }
    swap(a[1],a[num]);//让这个点变成原点 
    for(int i=2;i<=n;i++)a[i].x-=a[1].x,a[i].y-=a[1].y;
    a[1].x=a[1].y=0;
    sort(a+2,a+n+1,cmp);
    graham();
//  cout<<top<<endl;
    for(int i=2;i<=top;i++)ans+=get(i-1,i);
    ans+=get(1,top)+double(3.141592654)*l*2.00;
    printf("%.0f",ans);//不能用lf 
}

转载于:https://www.cnblogs.com/largecube233/p/6797836.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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