编程之美——初赛第二场——集会

针对多个村庄间的集会选址问题,通过三分查找算法确定最佳位置,以使该位置到所有村庄的最大距离最小。该问题转化为在给定村庄坐标的情况下,找到河岸边的一个点,使其到所有村庄的距离最大值最小。

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

题目
描述
在一条河的一侧,分布着 N 个村庄。这些村庄平日里需要一些贸易往来,然而商人们来回走遍每一座村庄是非常辛苦的,于是他们决定每个月都在河边举行一次集会,大家都来集会上购买需要的物品。然而在集会地点的选择上,大家却有分歧,因为谁都不愿意集会的地点离自己村庄非常远。经过一番激烈的讨论之后,大家决定要将集会地点挑选在这样一个位置:它离最远的村庄的距离要尽可能的近。

我们把河看做一条足够长的直线,河岸就是平面坐标系上 y = 0 的这条线,y < 0 的区域是河水,而所有村庄都在 y ≥ 0 的区域里。现在给出所有村庄的平面坐标,你要在河岸上找到这样一个位置,使得它到所有村庄的最远距离最小。

输入
输入文件包含多组测试数据。

第一行,给出一个整数 T,为数据组数。接下来依次给出每组测试数据。

每组数据的第一行是一个整数 N,表示村庄的数量。接下来 N 行,每行有两个实数 xi 和 yi,表示每一个村庄的坐标。

输出
对于每组测试数据,输出一行"Case #X: Y",其中 X 表示测试数据编号,Y 表示集会地点的 x 坐标值,要求与正确答案的绝对误差在10-6以内。所有数据按读入顺序从 1 开始编号。

数据范围
小数据:T ≤ 100, 0 < N ≤ 50, 0 ≤ |xi|, yi ≤ 10000

大数据:T ≤ 10, 0 < N ≤ 50000, 0 ≤ |xi|, yi ≤ 10000

样例输入
1
5
0 8
1 6
4 4
-5 7
-6 1
样例输出
Case #1: -1.000000

 我的思路:离最远的村庄的距离要最近--》枚举X坐标(三分查找之),不过由于答题已关闭,无法知道代码能否AC

三分寻找的理由:

离最远的村庄的距离的函数:sqrt((ai-x)*(ai-x)-bi*bi),其曲线类抛物线,但是不同的x对应不同的最远村庄最近距离,这些点的分布呈凸性曲线(来源于http://snprintf.net/archives/310):

凸性区间寻找极值,三分搞之。

#include<cstdio>
#include<iostream>
#include<algorithm>
#include<cmath>
using namespace std;
struct point
{
    double x,y;
}p[55];
int n;
double mdis(double tt)
{
    double tot,fin=0;
    for(int i=0;i<n;++i)
    {
        tot=sqrt((p[i].x-tt)*(p[i].x-tt)+p[i].y*p[i].y);
        if(fin<tot) fin=tot;
    }
    return fin;
}
double Tsearch(double l,double r)
{
    double mid,midmid,mid_val,midmid_val;
    while(r-l>1e-6)
    {
        mid=(r+l)/2;
        midmid=(r+mid)/2;
        mid_val=mdis(mid);
        midmid_val=mdis(midmid);
        if(mid_val<=midmid_val) r=midmid;
        else l=mid;
    }
    return l;
}
int main()
{
    int t;
    double l,r;
    cin>>t;
    while(t--)
    {
        cin>>n;
        l=10005,r=-10005;
        for(int i=0;i<n;++i)
        {
            scanf("%lf%lf",&p[i].x,&p[i].y);
            if(p[i].x<l) l=p[i].x;
            if(p[i].x>r) r=p[i].x;
        }
        printf("%lf\n",Tsearch(l,r));
    }
}

 

转载于:https://www.cnblogs.com/A-way/archive/2013/04/16/3023784.html

内容概要:本文深入探讨了DevOps流程落地中自动化测试与监控体系的构建,强调二者是保障软件质量和系统稳定性的重要支柱。自动化测试涵盖从单元测试到端到端测试的全流程自动化,而监控体系则通过实时采集和分析系统数据,及时发现并解决问题。文章介绍了测试金字塔模型的应用、监控指标的分层设计、测试与生产环境的一致性构建以及告警策略的精细化设置等核心技巧。此外,还提供了基于Python和Prometheus的具体代码案例,包括自动化接口测试脚本和监控指标暴露的实现,展示了如何在实际项目中应用这些技术和方法。 适合人群:对DevOps有一定了解,从事软件开发、运维或测试工作的技术人员,特别是那些希望提升自动化测试和监控能力的从业者。 使用场景及目标:①高并发业务系统中,模拟大规模用户请求,验证系统抗压能力和稳定性;②关键业务流程保障,确保金融交易、医疗数据处理等敏感业务的合规性和可追溯性;③微服务架构系统下,通过契约测试和分布式链路追踪,保证服务间的兼容性和故障快速定位。 阅读建议:本文不仅提供了理论指导,还有详细的代码示例,建议读者结合自身项目的实际情况,逐步实践文中提到的技术和方法,特别是在构建自动化测试框架和监控系统时,关注环境一致性、测试覆盖率和性能指标等方面。
内容概要:该论文针对电熔镁砂熔炼过程的强非线性特性,提出了一种带输出补偿的PID控制方法。电熔镁炉以三相电机转动方向和频率为输入,三相电极电流为输出,模型参数如埋弧电阻率、熔池电阻率和高度会随熔炼过程变化。作者采用线性模型加未知高阶非线性项描述系统,设计了消除非线性项及其变化率的补偿器,结合一步最优前馈控制律和调节律确定PID参数。仿真和工业应用表明,该方法能在动态特性随机变化时,将电流跟踪误差控制在目标范围内。论文还详细介绍了控制器的设计、实现及仿真验证过程,包括非线性补偿、抗积分饱和、自适应补偿增益等改进措施,以及工业应用中的关键技术如参数辨识、安全保护机制等。 适用人群:具备一定自动化控制理论基础,从事工业控制系统设计与优化的研发人员和工程师。 使用场景及目标:①解决电熔镁砂熔炼过程中由于参数时变和非线性带来的控制难题;②提高电流控制精度,降低单吨能耗,提升生产效率和产品质量稳定性;③适用于类似强非线性、时变特性的工业过程控制领域。 其他说明:该控制方法通过系统性的非线性补偿设计和在线参数调整,相比传统PID控制,能显著降低电流跟踪误差,减少能耗。实际应用中需根据具体电熔镁炉特性调整模型参数和补偿系数,确保控制性能最优。
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