2019 ICPC World Finals Problem J. Miniature Golf

2019 ICPC决赛迷你高尔夫问题解法

2019 ICPC World Finals Problem J. Miniature Golf

Solution

llll0l_0l0iii的总分为si,l0s_{i,l_0}si,l0si,l0=∑kmin(ai,k,l0)s_{i,l_0}=\sum_k min(a_{i,k},l_0)si,l0=kmin(ai,k,l0),让lll从小到大依次变化,可以发现si,ls_{i,l}si,l表现为一个斜率非负的上凸壳(上凸壳的左边一半),Δl=si,l+1−si,l=∑k[ai,k>l]\Delta_l=s_{i,l+1}-s_{i,l}=\sum_k [a_{i,k}>l]Δl=si,l+1si,l=k[ai,k>l],且至多有h+1h+1h+1条斜率不同的线段。

当两个凸壳i,ji,ji,j交于一点,且该点所处的两条线段斜率不同时,i,ji,ji,j之间的排名关系会发生变化,显而易见的是,两个h+1h+1h+1段上凸壳能找到O(h)O(h)O(h)个上述交点,因此我们只需要求出每个i,ji,ji,j交点和交点处i,ji,ji,j的排名变化,即可算出任意时刻某点排名。

具体的,我们把ai,1,ai,2...ai,ha_{i,1},a_{i,2}...a_{i,h}ai,1,ai,2...ai,h排序,然后对于每个i,ji,ji,j,求出ai,aja_i,a_jai,aj中的所有不同的值b1,b2,b3...bnb_1,b_2,b_3...b_nb1,b2,b3...bn,且令b0=0,bn+1=109b_0=0,b_{n+1}=10^9b0=0,bn+1=109,显然(bk,bk+1](b_k,b_{k+1}](bk,bk+1]这一段中的上述交点唯一,直接计算即可,时间复杂度为O(p2h)O(p^2h)O(p2h)

最后把所有O(p2h)O(p^2h)O(p2h)个排名变化按时间排序统计最小值即可。
总时间复杂度O(p2h  log  ph)O(p^2h\;log\;ph)O(p2hlogph)

Code

#include <vector>
#include <list>
#include <map>
#include <set>
#include <deque>
#include <queue>
#include <stack>
#include <bitset>
#include <algorithm>
#include <functional>
#include <numeric>
#include <utility>
#include <sstream>
#include <iostream>
#include <iomanip>
#include <cstdio>
#include <cmath>
#include <cstdlib>
#include <cctype>
#include <string>
#include <cstring>
#include <ctime>
#include <cassert>
#include <string.h>
//#include <unordered_set>
//#include <unordered_map>
//#include <bits/stdc++.h>

#define MP(A,B) make_pair(A,B)
#define PB(A) push_back(A)
#define SIZE(A) ((int)A.size())
#define LEN(A) ((int)A.length())
#define FOR(i,a,b) for(int i=(a);i<(b);++i)
#define fi first
#define se second

using namespace std;

template<typename T>inline bool upmin(T &x,T y) { return y<x?x=y,1:0; }
template<typename T>inline bool upmax(T &x,T y) { return x<y?x=y,1:0; }

typedef long long ll;
typedef unsigned long long ull;
typedef long double lod;
typedef pair<int,int> PR;
typedef vector<int> VI;

const lod eps=1e-11;
const lod pi=acos(-1);
const int oo=1<<30;
const ll loo=1ll<<62;
const int mods=998244353;
const int MAXN=20005;
const int INF=0x3f3f3f3f;//1061109567
/*--------------------------------------------------------------------*/
inline int read()
{
	int f=1,x=0; char c=getchar();
	while (c<'0'||c>'9') { if (c=='-') f=-1; c=getchar(); }
	while (c>='0'&&c<='9') { x=(x<<3)+(x<<1)+(c^48); c=getchar(); }
	return x*f;
}
PR V[505][50005];
int a[505][55],b[50005],Num[505],num;
void add(int x) { if (b[num]==x) return; b[++num]=x; }
signed main()
{
	int n=read(),m=read();
	for (int i=1;i<=n;i++)
	{
		for (int j=1;j<=m;j++) a[i][j]=read();
		sort(a[i]+1,a[i]+m+1);
	}
	for (int i=1;i<=n;i++)
		for (int j=i+1;j<=n;j++)
		{
			int nw=1; b[num=1]=0;
			for (int k=1;k<=m;k++)
			{
				while (nw<=m&&a[j][nw]<=a[i][k]) add(a[j][nw]),nw++;
				add(a[i][k]);
			}
			while (nw<=m) add(a[j][nw]),nw++;
			add(1000000000);
			ll x1=0,x2=0,s1=0,s2=0;
			for (int k=1;k<num;k++)
			{
				while (x1<m&&a[i][x1+1]<=b[k]) x1++;
				while (x2<m&&a[j][x2+1]<=b[k]) x2++;
				if (x1>x2&&s1>=s2)
				{
					ll t=(s1-s2-1)/(x1-x2)+1,p=(s1-s2)/(x1-x2)+1;
					if (p+b[k]<=b[k+1]) V[i][Num[i]++]=MP(b[k]+p,-1);
					if (s1!=s2&&t+b[k]<=b[k+1]) V[j][Num[j]++]=MP(b[k]+t,1);
				}
				else if (x1<x2&&s1<=s2)
				{
					ll t=(s2-s1-1)/(x2-x1)+1,p=(s2-s1)/(x2-x1)+1;
					if (p+b[k]<=b[k+1]) V[j][Num[j]++]=MP(b[k]+p,-1);
					if (s1!=s2&&t+b[k]<=b[k+1]) V[i][Num[i]++]=MP(b[k]+t,1);
				}
				s1+=(m-x1)*(b[k+1]-b[k]),s2+=(m-x2)*(b[k+1]-b[k]);
			}
		}
	for (int i=1;i<=n;i++)
	{
		sort(V[i],V[i]+Num[i]);
		int mn=n,nw=n;
		for (int j=0;j<Num[i];j++)
		{
			nw+=V[i][j].se;
			if (V[i][j].fi!=V[i][j+1].fi) upmin(mn,nw);
		}
		printf("%d\n",mn);
	}
	return 0;
}
【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理与特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
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