[算法刷题题解笔记] 洛谷 P1003 [NOIP2011 提高组] 铺地毯 [枚举]

简介: [算法刷题题解笔记] 洛谷 P1003 [NOIP2011 提高组] 铺地毯 [枚举]

题目链接

题目大意

  • 先将若干个地毯铺在地面上,然后给你任一一个点,判断出这个点在覆盖地面最上面的那张地毯的编号

解题思路

  • 由于这些地毯按照编号从小到大的顺序平行于坐标轴先后铺设,后铺的地毯覆盖在前面已经铺好的地毯之上。
  • 所以我们要判断给定的点在那个地毯上,我们只需要从编号最大的开始向编号小的地毯逐个枚举进行判断即可,只要一判断出在某个地毯上,就可以退出枚举,输出地毯编号(从1开始)
  • 注意:在矩形地毯边界和四个顶点上的点也算被地毯覆盖。

解题代码

// package luogu.orange;
import java.io.*;
/**
 * ClassName: P1003
 * Package: luogu.orange
 * Description:
 *
 * @Author tcw
 * @Create 2023-06-08 19:47
 * @Version 1.0
 */
public class Main {
    // 快读
    private static StreamTokenizer st = new StreamTokenizer(new BufferedReader(new InputStreamReader(System.in)));
    // 快写
    private static PrintWriter out = new PrintWriter(new BufferedWriter(new OutputStreamWriter(System.out)));
    /**
     * 私有内部类,地毯类
     * 用于存储地毯的左下角坐标和地毯在x轴和y轴的长度
     * 同时可以用于判断点是否在该地毯内
     */
    private static class Carpet {
        int a; // 左下角横坐标
        int b; // 左下角纵坐标
        int g; // 地毯在x轴的长度
        int k; // 地毯在y轴的长度
        public Carpet(int a, int b, int g, int k) {
            this.a = a;
            this.b = b;
            this.g = g;
            this.k = k;
        }
        /**
         * 根据需要进行判断的点的坐标判断该点是否在地毯内
         *
         * @param x
         * @param y
         * @return 布尔值,true在,false不在
         */
        public boolean isInternal(int x, int y) {
            // 计算地毯的右上角坐标
            int rA = a + g;
            int rB = b + k;
            // 判断点是否在地毯内
            if (x >= a && x <= rA && y >= b && y <= rB) return true;
            return false;
        }
    }
    public static void main(String[] args) {
        // 地毯个数
        int n = readInt();
        // 存储所有地毯信息的数组
        Carpet[] carpets = new Carpet[n];
        // 读入地毯的数据
        for (int i=0; i<n; i++) {
            carpets[i] = new Carpet(readInt(), readInt(), readInt(), readInt());
        }
        // 要进行判断的点的坐标
        int x = readInt();
        int y = readInt();
        // 由于后面铺的地毯会覆盖前面的
        // 所以从最后一个开始逐个枚举判断
        for (int i=n-1; i>=0; i--) {
            if (carpets[i].isInternal(x, y)) {
                out.print(i+1); // 输出地毯编号
                out.flush();
                return;
            }
        }
        out.println(-1);
        out.flush();
    }
    /**
     * 读取整数数据
     *
     * @return 整数
     */
    private static int readInt() {
        int in = Integer.MIN_VALUE;
        try {
            st.nextToken();
            in = (int) st.nval;
        } catch (IOException e) {
            e.printStackTrace();
        }
        return in;
    }
}


相关文章
|
3月前
|
算法 API 计算机视觉
人脸识别笔记(一):通过yuface调包(参数量54K更快更小更准的算法) 来实现人脸识别
本文介绍了YuNet系列人脸检测算法的优化和使用,包括YuNet-s和YuNet-n,以及通过yuface库和onnx在不同场景下实现人脸检测的方法。
93 1
|
3月前
|
JSON 算法 数据可视化
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
这篇文章是关于如何通过算法接口返回的目标检测结果来计算性能指标的笔记。它涵盖了任务描述、指标分析(包括TP、FP、FN、TN、精准率和召回率),接口处理,数据集处理,以及如何使用实用工具进行文件操作和数据可视化。文章还提供了一些Python代码示例,用于处理图像文件、转换数据格式以及计算目标检测的性能指标。
82 0
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
|
3月前
|
数据可视化 搜索推荐 Python
Leecode 刷题笔记之可视化六大排序算法:冒泡、快速、归并、插入、选择、桶排序
这篇文章是关于LeetCode刷题笔记,主要介绍了六大排序算法(冒泡、快速、归并、插入、选择、桶排序)的Python实现及其可视化过程。
25 0
|
3月前
|
算法
❤️算法笔记❤️-(每日一刷-83、删除排序链表中的重复项)
❤️算法笔记❤️-(每日一刷-83、删除排序链表中的重复项)
36 0
|
3月前
|
算法
❤️算法笔记❤️-(每日一刷-26、删除有序数组的重复项)
❤️算法笔记❤️-(每日一刷-26、删除有序数组的重复项)
32 0
|
10天前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
143 80
|
3天前
|
机器学习/深度学习 算法
基于遗传优化的双BP神经网络金融序列预测算法matlab仿真
本项目基于遗传优化的双BP神经网络实现金融序列预测,使用MATLAB2022A进行仿真。算法通过两个初始学习率不同的BP神经网络(e1, e2)协同工作,结合遗传算法优化,提高预测精度。实验展示了三个算法的误差对比结果,验证了该方法的有效性。
|
6天前
|
机器学习/深度学习 数据采集 算法
基于PSO粒子群优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目展示了基于PSO优化的CNN-GRU-SAM网络在时间序列预测中的应用。算法通过卷积层、GRU层、自注意力机制层提取特征,结合粒子群优化提升预测准确性。完整程序运行效果无水印,提供Matlab2022a版本代码,含详细中文注释和操作视频。适用于金融市场、气象预报等领域,有效处理非线性数据,提高预测稳定性和效率。
|
2天前
|
算法
基于梯度流的扩散映射卡尔曼滤波算法的信号预处理matlab仿真
本项目基于梯度流的扩散映射卡尔曼滤波算法(GFDMKF),用于信号预处理的MATLAB仿真。通过设置不同噪声大小,测试滤波效果。核心代码实现数据加载、含噪信号生成、扩散映射构建及DMK滤波器应用,并展示含噪与无噪信号及滤波结果的对比图。GFDMKF结合非线性流形学习与经典卡尔曼滤波,提高对非线性高维信号的滤波和跟踪性能。 **主要步骤:** 1. 加载数据并生成含噪测量值。 2. 使用扩散映射捕捉低维流形结构。 3. 应用DMK滤波器进行状态估计。 4. 绘制不同SNR下的轨迹示例。
|
7天前
|
机器学习/深度学习 算法 索引
单目标问题的烟花优化算法求解matlab仿真,对比PSO和GA
本项目使用FW烟花优化算法求解单目标问题,并在MATLAB2022A中实现仿真,对比PSO和GA的性能。核心代码展示了适应度计算、火花生成及位置约束等关键步骤。最终通过收敛曲线对比三种算法的优化效果。烟花优化算法模拟烟花爆炸过程,探索搜索空间,寻找全局最优解,适用于复杂非线性问题。PSO和GA则分别适合快速收敛和大解空间的问题。参数调整和算法特性分析显示了各自的优势与局限。

热门文章

最新文章