POJ 3017 Cut the Sequence

本文介绍了一种DP问题的高效求解方法,通过使用单调队列维护变化位置,并结合set或线段树进行优化,实现了从O(n^2)到更优时间复杂度的改进。

 

题目链接

 

$O(n^2)$ 效率的 dp 递推式:${ dp }_{ i }=min\left( dp_{ j }+\overset { i }{ \underset { x=j+1 }{ max }  } \left( { a }_{ x } \right)  \right) $,其中 $\sum _{ x=j+1 }^{ i }{ { a }_{ i } } \le m$。

尝试着换一个角度看待这个问题,有一个序列 $a$,假设 $b_i$ 表示 $i$ 最左能扩展到 $b_i$ 位置,且 $[b_i, i]$ 的区间和不超过 $m$。

假设我们已经求得了 $dp_1$ 至 $dp_{i-1}$,现在需要求解 $dp_i$,先定义一个后缀最大值数组,$max_i$ 表示 区间 $[1, i]$ 的最大值,通过观察可以发现 $max_i$ 从后往前是非递减的,且每一次的递增位置都是出现了一个比先前所有数都大数,我们称这种递增位置为“变化位置”。

递增位置大致可以用下图表示($i$ 位置本身是第一个递增位置):

想一下,如果我们选择 2 号位置作为最后一段分割的最大值,那么上一次分割的位置会在哪儿?上一段的最后一个位置肯定是 3 号变化位置,因为 dp 值是非递减的。

同样的,如果选择 3 号位置作为最后一段分割的最大值,那么上一段的最后一个元素肯定选择 4 号变化位置。

也就是说计算 $i$ 位置的 dp 值,如果知道变化位置,我们只要枚举相邻两个变化位置,前一个的 dp 值加上后一个的 value 值,找到一个最小值就是 $dp_i$(注意最左边的变化位置可以认为是 $b_i-1$)。

可惜,最坏的情况下依旧是 $O(n^2)$ 的,由于 POJ 数据水了,上面这样的做法能水过去。

我们还是利用上述思路来求解答案,只不过增加一些优化。

事实上变化位置可以用单调队列维护出来,维护变化位置的同时,将前一个的 dp 值加上后一个的 value 值也维护出来就可以了,维护值的话可以用 set 或者线段树。

/*******************************
	Judge Result : AC 
 *******************************/

#include <cstdio>
#include <set>
#include <algorithm>
#include <iostream>
using namespace std;

const int maxn = 1e5 + 10;
const int INF = 0x7FFFFFFF;

long long a[maxn], sum[maxn], f[maxn];
int b[maxn];
int n;
long long m;

int q[maxn], first, last;
multiset<long long> st;
multiset<long long>::iterator it;

void Insert(int x) {
	last ++;
	q[last] = x;
	if(first == last) return;
	st.insert(f[q[last - 1]] + a[q[last]]);
}

void DeleteLast() {
	if(first == last) {
		last --;
		return;
	}
	it = st.find(f[q[last - 1]] + a[q[last]]);
	st.erase(it);
	last --;
}

void DeleteFirst() {
	if(first == last) {
		first ++;
		return;
	}
	it = st.find(f[q[first]] + a[q[first + 1]]);
	st.erase(it);
	first ++;
}

int main() {
#ifdef ZHOUZHENTAO
	freopen("test.in", "r", stdin);
#endif

	scanf("%d%lld", &n, &m);
	for(int i = 1; i <= n; i ++) {
		scanf("%lld", &a[i]);
		sum[i] = sum[i - 1] + a[i];
	}

	for(int i = 1; i <= n; i ++) {
		if(a[i] > m) {
			printf("-1\n");
			return 0;
		}
		int L = 1, R = i;
		while(L <= R) {
			int mid = (L + R) / 2;
			if(sum[i] - sum[mid - 1] <= m) R = mid - 1, b[i] = mid;
			else L = mid + 1;
		}
	}

	first = last = 0;
	q[first] = 1;
	f[1] = a[1];

	for(int i = 2; i <= n; i ++) {
		while(last - first + 1 > 0 && a[i] >= a[q[last]]) {
			DeleteLast();
		}
		while(last - first + 1 > 0 && q[first] < b[i]) {
			DeleteFirst();
		}
		Insert(i);
		f[i] = f[b[i] - 1] + a[q[first]];
		if(last - first + 1 > 1) {
			f[i] = min(f[i], *st.begin());
		}
	}
	printf("%lld\n", f[n]);
	return 0;
}

 

转载于:https://www.cnblogs.com/zufezzt/p/8821194.html

一、数据采集层:多源人脸数据获取 该层负责从不同设备 / 渠道采集人脸原始数据,为后续模型训练与识别提供基础样本,核心功能包括: 1. 多设备适配采集 实时摄像头采集: 调用计算机内置摄像头(或外接 USB 摄像头),通过OpenCV的VideoCapture接口实时捕获视频流,支持手动触发 “拍照”(按指定快捷键如Space)或自动定时采集(如每 2 秒采集 1 张),采集时自动框选人脸区域(通过Haar级联分类器初步定位),确保样本聚焦人脸。 支持采集参数配置:可设置采集分辨率(如 640×480、1280×720)、图像格式(JPG/PNG)、单用户采集数量(如默认采集 20 张,确保样本多样性),采集过程中实时显示 “已采集数量 / 目标数量”,避免样本不足。 本地图像 / 视频导入: 支持批量导入本地人脸图像文件(支持 JPG、PNG、BMP 格式),自动过滤非图像文件;导入视频文件(MP4、AVI 格式)时,可按 “固定帧间隔”(如每 10 帧提取 1 张图像)或 “手动选择帧” 提取人脸样本,适用于无实时摄像头场景。 数据集对接: 支持接入公开人脸数据集(如 LFW、ORL),通过预设脚本自动读取数据集目录结构(按 “用户 ID - 样本图像” 分类),快速构建训练样本库,无需手动采集,降低系统开发与测试成本。 2. 采集过程辅助功能 人脸有效性校验:采集时通过OpenCV的Haar级联分类器(或MTCNN轻量级模型)实时检测图像中是否包含人脸,若未检测到人脸(如遮挡、侧脸角度过大),则弹窗提示 “未识别到人脸,请调整姿态”,避免无效样本存入。 样本标签管理:采集时需为每个样本绑定 “用户标签”(如姓名、ID 号),支持手动输入标签或从 Excel 名单批量导入标签(按 “标签 - 采集数量” 对应),采集完成后自动按 “标签 - 序号” 命名文件(如 “张三
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