HDU-4331 Image Recognition 关系转换+离线处理+树状数组

本文介绍一种求二维矩阵中最大全1正方形的方法。利用动态规划预处理矩阵中每个点上下左右方向连续1的数量,通过遍历对角线而非单个点减少重复计算。针对每条对角线,采用树状数组离线处理技巧统计潜在正方形的左上角,最终计算出符合条件的最大正方形数量。

这题是按照解题报告上的思想来写的。觉得这个想法确实是很麻烦。现大概说下思路:

首先我们需要通过dp求出每一个点上下左右的延伸距离,这个距离就是连续的1的个数。预处理好这个信息后。我们不是去枚举每个点,而是去枚举每条对角线上的点,按照上面的说法,一条很明显的规则:所有边由1组成的正方形的对角线一定是矩形的对角线,相比N^2的枚举每个点,这个做法有个好处就是减少重复计算。我们的主要思想还是确定一个点为目标正方形的左上角点,然后取右、下的较小值作为其可及域,我们只需要统计这个区域内的点是否能够能够反向覆盖。

对于对角线 L, 我们从左上角到右下角进行遍历, 设当前点的坐标为(i, j),对角线坐标是1(左上角点)其可及区域(对角线坐标区域)为:i + min(r[i][j], d[i][j]) - 1;设这个值为E,那么我们需要在[i, E]寻找某一点(对角线坐标为k,实际坐标为(t, p)) 满足 S[k] = k - min(u[t][p], l[t][p]) + 1 大于等于i。将问题作了这个转化后,我们需要对每条对角线的点k预处理出S[k],然后就是离线处理的技巧了,对于对角线上的每一个不为0的点,都是有权成为目标正方形的左上角的,于是我们将每个非0点构成的可及区域进行统计,然后将其排序,这样当每遇到一个左端点时,就减去小于该端点(k)的统计值,原因是前面的坐标不合法,到一个右端点就要加上小于(k)的值,这样就抵消了前面减去的值。

说起来真纠结,主要是要理解树状数组的用法。

代码如下:

#include <cstring>
#include <cstdio>
#include <cstdlib>
#include <algorithm>
#define MAXN 1005
using namespace std;

int N, G[MAXN][MAXN], c[MAXN], idx;

int dgn[MAXN];  // 计算出所有对角线的特性

int l[MAXN][MAXN], r[MAXN][MAXN], u[MAXN][MAXN], d[MAXN][MAXN];

struct Node
{
    int x, sign, key;
    bool operator < (Node temp) const
    {
        if (x != temp.x) {
            return x < temp.x;
        }    
        else {
            return sign < temp.sign;    
        }
    }
}p[MAXN<<1];  // 保留所有的端点

int lowbit(int x)
{
    return x  & -x;
}

void addpoint(int a, int b)
{ // 0代表左端点,1代表右端点 
    ++idx;
    p[idx].x = a, p[idx].sign = 0;
    p[idx].key = a;
    ++idx;
    p[idx].x = b, p[idx].sign = 1;
    p[idx].key = a;
}

void add(int x)
{
    for (int i = x; i <= N; i += lowbit(i)) {
        c[i] += 1;    
    }
}

int sum(int x)
{
    int ret = 0;
    for (int i = x; i > 0; i -= lowbit(i)) {
        ret += c[i];
    }    
    return ret;
}

int solve()
{
    // 先枚举下三角+主对角线
    int ret = 0;
    for (int i = N; i >= 1; --i) {
        idx = -1;
        for (int j = 1; j <= (N-i+1); ++j) {  // 该条对角线共有i个点
            if (G[i+j-1][j]) {
                addpoint(j, j+min(r[i+j-1][j], d[i+j-1][j])-1);
                dgn[j] = j - min(u[i+j-1][j], l[i+j-1][j])+1;
            }  // 初始化好了一条对角线的特征值
        }
        if (idx == -1) { continue; }
        sort(p, p+idx+1);  // 从0开始,有idx+1个元素
        memset(c, 0, sizeof (c));
        for (int k = 0; k <= idx; ++k) {
            if (!p[k].sign) {  // 左端点 
                ret -= sum(p[k].key);
                add(dgn[p[k].x]);
            }
            else {  // 右端点 
                ret += sum(p[k].key);
            }
        }
    }
    // 枚举上三角对角线 
    for (int j = 2; j <= N; ++j) {
        idx = -1;
        for (int i = 1; i <= (N-j+1); ++i) {
            if (G[i][j+i-1]) {
                addpoint(i, i+min(r[i][j+i-1], d[i][j+i-1])-1);
                dgn[i] = i - min(u[i][j+i-1], l[i][j+i-1])+1;
            }    
        }
        if (idx == -1) { continue; }
        sort(p, p+idx+1);
        memset(c, 0, sizeof (c));
        for (int k = 0; k <= idx; ++k) {
            if (!p[k].sign) {
                ret -= sum(p[k].key);
                add(dgn[p[k].x]);
            }
            else {
                ret += sum(p[k].key);
            }
        }
    }
    return ret;
}

int main()
{
    int T, ca = 0;
    scanf("%d", &T);
    while (T--) {
        scanf("%d", &N);
        memset(d, 0, sizeof (d));
        memset(r, 0, sizeof (r));
        for (int i = 1;  i<= N; ++i) {
            for (int j = 1; j <= N; ++j) {
                scanf("%d", &G[i][j]);
                if (G[i][j]) {
                    u[i][j] = G[i-1][j] ? u[i-1][j] + 1 : 1;
                    l[i][j] = G[i][j-1] ? l[i][j-1] + 1 : 1;
                }
            }
        }
        for (int  i = N; i >= 1; --i) {
            for (int j = N; j >= 1; --j) {
                if (G[i][j]) {
                    d[i][j] = G[i+1][j] ? d[i+1][j] + 1 : 1;
                    r[i][j] = G[i][j+1] ? r[i][j+1] + 1 : 1;    
                }
            }
        }  // 统计出每个点上下左右1的连续个数
        printf("Case %d: %d\n", ++ca, solve());
    }
    return 0;    
}

转载于:https://www.cnblogs.com/Lyush/archive/2012/08/03/2621570.html

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制问题,并提供完整的Matlab代码实现。文章结合数据驱动方法与Koopman算子理论,利用递归神经网络(RNN)对非线性系统进行建模与线性化处理,从而提升纳米级定位系统的精度与动态响应性能。该方法通过提取系统隐含动态特征,构建近似线性模型,便于后续模型预测控制(MPC)的设计与优化,适用于高精度自动化控制场景。文中还展示了相关实验验证与仿真结果,证明了该方法的有效性和先进性。; 适合人群:具备一定控制理论基础和Matlab编程能力,从事精密控制、智能制造、自动化或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能控制设计;②为非线性系统建模与线性化提供一种结合深度学习与现代控制理论的新思路;③帮助读者掌握Koopman算子、RNN建模与模型预测控制的综合应用。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现流程,重点关注数据预处理、RNN结构设计、Koopman观测矩阵构建及MPC控制器集成等关键环节,并可通过更换实际系统数据进行迁移验证,深化对方法泛化能力的理解。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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