ACM集训队作业------codeforce 1073C

本文解析了CodeForces C题的解决方案,通过利用曼哈顿距离和二分查找算法,寻找修改字符串使机器人到达指定位置所需的最小区间长度。

传送门:http://codeforces.com/problemset/problem/1073/C

二分专题有两个作业,上一个子段最大平均值刚刚弄个大概,现在再搞搞这题吧

题目大意:就是给你一组字符串,按照这个字符串进行操作机器人可以走到一个地点,问你如何修改这个字符串使得修改的区间最小,让机器人走到给定的地点。

在这不得不感慨一下SYF大佬真的强,代码打的贼快,这题是利用曼哈顿距离

昨晚难道因为没想通本题的判断条件本题失眠了??

今天早晨自己有推了一下,瞬间感觉思路清晰。

题解:

       如果按照给定的字符串来走的话会到达一个点,但是你需要走到题目给定的点,那么你就需要修改题目中所给的字符串使得机器人可以走到要求到达的点,但是题目还要求找到最小的修改长度,为了不超时,那么我就可以用二分查找来找到我需要改动的最小的区间长度。如何判断这个长度满足最小距离呢?我们可以从字符串的开头不断的平移最小长度个距离,找到当前相对于起点的偏移量,找到当前的位置和需要走到的位置求解他们的曼哈顿距离,因为在哪个区间中我可以任意修改机器人的方向,也就是说机器人可以来回往复的走,但是如果能够走到想要到达的距离,那么我就满足修改区间的长度大于等于他们的曼哈顿距离,并且他们的坐标要同奇偶,例如我在(-1,0)需要走到(2,0)那显然不能走到。

代码:

#include<iostream>
#include<cstring>
#include<algorithm>
#include<cmath>
using namespace std;
string s;
int tarx,tary;
int n;
int x[200005],y[200005];
bool Is_ok(int len)
{
	for(int i=1;i<=n-len+1;i++)
	{
		int nowx=x[i-1]+x[n]-x[i+len-1];
		int nowy=y[i-1]+y[n]-y[i+len-1];
		int dis=abs(nowx-tarx)+abs(nowy-tary);
		if((len-dis)%2==0&&len>=dis)	return true;
	}
	return false;
}
int main()
{
	cin>>n;
	cin>>s;
	cin>>tarx>>tary;
	for(int i=1;i<=n;i++)
	{
		if(s[i-1]=='R')
		{
			x[i]=1;
		}
		else if(s[i-1]=='U')
		{
			y[i]=1;
		}
		else if(s[i-1]=='L')
		{
			x[i]=-1;
		}
		else if(s[i-1]=='D')
		{
			y[i]==1;
		}
	}
	for(int i=1;i<=n;i++)
	{
		x[i]=x[i]+x[i-1];
		y[i]=y[i]+y[i-1]; 
	}
	int left=0,right=n;
	int mid;
	int ans=-1;
	while(left<=right)
	{
		mid=(left+right)/2;
		if(Is_ok(mid)){
			ans=mid;
			right=mid-1;
		}
		else left=mid+1;
	}
	cout<<ans<<endl;
	return 0;
}

 

内容概要:本文围绕“考虑隐私保护的分布式联邦学习电力负荷预测研究”展开,提出了一种融合联邦学习框架与隐私保护机制的电力负荷预测方法,旨在解决传统集中式据处理中潜在的用户隐私泄露问题。通过构建分布式模型训练体系,各参与方在本地完成模型训练,仅向中心服务器上传模型参或梯度信息,实现“动模型动”的协同建模模式,确保据“可用可见”。研究采用Python语言实现了完整的联邦学习流程,涵盖客户端本地训练、全局模型聚合、隐私保护策略(如差分隐私或同态加密)集成、通信机制设计及预测性能评估等核心模块,显著提升了电力负荷预测在隐私安全与模型精度之间的平衡能力。; 适合人群:具备Python编程基础和机器学习基础知识,从事电力系统、智能电网、能源大据分析、据隐私保护等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应用于居民或工业级电力负荷预测任务,在保障用户用电据隐私的前提下实现高精度预测;②为构建符合据合规要求的智慧能源管理系统提供技术支撑;③推动联邦学习在能源互联网、跨企业据协作等场景中的落地应用,促进多方协同建模与据价值释放。; 阅读建议:建议读者结合文中提供的Python代码进行实践操作,重点关注联邦学习的通信轮次设置、本地训练迭代策略、模型聚合算法设计以及隐私噪声添加机制的实现细节,并可根据实际需求替换底层预测模型(如LSTM、XGBoost、Transformer等)以进一步优化预测性能。
内容概要:本文介绍了一种基于噪声抑制半监督学习的锂离子电池SOH(State of Health,健康状态)估计方法的Python代码实现,旨在通过结合半监督学习框架与噪声抑制技术,提升电池健康状态预测的准确性与鲁棒性。该方法充分利用少量有标签样本和大量无标签据进行模型训练,有效缓解了实际应用中电池老化据标注成本高、获取困难的问题。文中详细阐述了模型的整体架构设计、关键特征提取策略、噪声处理机制以及半监督学习中的损失函构建,并提供了完整的可复现代码,便于研究人员理解和二次开发。; 适合人群:具备一定机器学习理论基础和Python编程能力,从事电池管理系统(BMS)、新能源汽车、储能系统等领域的科研人员或工程师,尤其适用于关注电池寿命预测、状态估计及据驱动建模的研究生与青年学者。; 使用场景及目标:①实现锂离子电池健康状态的高精度估计,服务于电池管理系统的优化与安全预警;②为工业场景下标据稀缺的退化建模问题提供一种高效的半监督解决方案;③推动复杂噪声环境下电池性能退化预测的研究进展,增强模型在真实工况中的泛化能力和稳定性; 阅读建议:建议读者结合所提供的Python代码逐模块深入学习,重点理解据预处理流程、噪声抑制模块的设计原理以及半监督损失函的实现细节,同时可在同公开电池据集上进行迁移实验与对比分析,以全面掌握该方法的有效性与适用边界。
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