CF598C Nearest vectors

本文介绍一种求解向量最小夹角的算法,通过计算各向量与x轴的逆时针角度并排序,找出相邻向量间最小夹角。文章详细解释了使用atan2函数稳定计算角度的方法,并提供了完整的C++代码实现。

题目描述

  有n个点,每个点表示原点到该点的向量,让你求出两个向量最小的夹角,输出向量的序号

 

此题其实不难,只需把每个向量与x轴的非负半轴的逆时针角度求出来,排序后,相邻的角度相减,取最小值即可。

但是难在atan我并没有接触过,atan2是一个函数,返回的是指方位角(弧度制),计算时atan2 比 atan 稳定。

返回的值取值范围为  ,所以我们在得到的值小于0时要加上2π

另外要注意的是,函数atan2(y,x)中参数的顺序是倒置的,atan2(y,x)计算的值相当于点(x,y)的角度值。

实现如下:

#include <algorithm>
#include <iostream>
#include <cmath>
#include <cstring>
#include <map>
#include <string>
#include <vector>
#include <queue>
#include <stack>
#include <cstdio>
#include <cstdlib>
using namespace std;
typedef long long ll;
inline int read()
{
    register int p(1),a(0);register char ch=getchar();
    while((ch<'0'||ch>'9')&&ch!='-') ch=getchar();
    if(ch=='-') p=-1,ch=getchar();
    while(ch>='0'&&ch<='9') a=a*10+ch-48,ch=getchar();
    return a*p;
}
const int N=100100;
const long double pai=atan2(0.0,-1.0);
int n,jl;
struct node
{
    int xu;
    long double x,y,du;
    bool operator < (const node &xx)const{return du<xx.du;}
}a[N];
long double maxn=9999999.0;
int main()
{
//    freopen("input","r",stdin);
//    freopen("output","w",stdout);
    n=read();
    for(int i=1;i<=n;i++)
    {
        a[i].xu=i;
        a[i].x=read(),a[i].y=read();
        a[i].du=atan2(a[i].y,a[i].x);
        if(a[i].du<0.0) a[i].du=a[i].du+pai+pai;
    }
    sort(a+1,a+1+n);
    for(int i=2;i<=n;i++)
        if(maxn>min(a[i].du-a[i-1].du,pai+pai-a[i].du+a[i-1].du))
        {
            maxn=min(a[i].du-a[i-1].du,pai+pai-a[i].du+a[i-1].du);
            jl=i;
        }
    if(maxn>min(a[n].du-a[1].du,pai+pai-a[n].du+a[1].du)) jl=1;
    printf("%d %d\n",a[jl].xu,jl-1==0?a[n].xu:a[jl-1].xu);
    return 0;
}

 

转载于:https://www.cnblogs.com/cold-cold/p/10041583.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。最后,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求解方法;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