【滑动窗口】C++算法:可见点的最大数目

简介: 【滑动窗口】C++算法:可见点的最大数目

LeetCode 1610可见点的最大数目

给你一个点数组 points 和一个表示角度的整数 angle ,你的位置是 location ,其中 location = [posx, posy] 且 points[i] = [xi, yi] 都表示 X-Y 平面上的整数坐标。

最开始,你面向东方进行观测。你 不能 进行移动改变位置,但可以通过 自转 调整观测角度。换句话说,posx 和 posy 不能改变。你的视野范围的角度用 angle 表示, 这决定了你观测任意方向时可以多宽。设 d 为你逆时针自转旋转的度数,那么你的视野就是角度范围 [d - angle/2, d + angle/2] 所指示的那片区域。

对于每个点,如果由该点、你的位置以及从你的位置直接向东的方向形成的角度 位于你的视野中 ,那么你就可以看到它。

同一个坐标上可以有多个点。你所在的位置也可能存在一些点,但不管你的怎么旋转,总是可以看到这些点。同时,点不会阻碍你看到其他点。

返回你能看到的点的最大数目。

示例 1:

输入:points = [[2,1],[2,2],[3,3]], angle = 90, location = [1,1]

输出:3

解释:阴影区域代表你的视野。在你的视野中,所有的点都清晰可见,尽管 [2,2] 和 [3,3]在同一条直线上,你仍然可以看到 [3,3] 。

示例 2:

输入:points = [[2,1],[2,2],[3,4],[1,1]], angle = 90, location = [1,1]

输出:4

解释:在你的视野中,所有的点都清晰可见,包括你所在位置的那个点。

示例 3:

输入:points = [[1,0],[2,1]], angle = 13, location = [1,1]

输出:1

解释:如图所示,你只能看到两点之一。

提示:

1 <= points.length <= 105

points[i].length == 2

location.length == 2

0 <= angle < 360

0 <= posx, posy, xi, yi <= 100

滑动窗口

时间复杂度😮(nlogn),瓶颈在排序。

vSee记录了除重合点外,所有点的弧度。注意:angle是角度,要转化成弧度dAngle。

[d - angle/2, d + angle/2] 令d1=d-angle/2,则视野范围为[d1,d1+dAngle/2],d1+dAngle/2可能超过2PI,那样需要查询两次。可以将[2PI,2PI+dAngle]也加到vSee中。这样值需要查询一次。

枚举d1,取值范围为[0,2PI)。

站着的位置点,任何角度都可以看到。

代码

核心代码

class Solution {
public:
  int visiblePoints(vector<vector<int>>& points, int angle, vector<int>& location) {
    vector<double> vSee;
    const double PI = 3.1415926;
    const double dAngel = angle / 180.0 * PI;
    int iLocPointCount = 0;//和人重合的点,任何角度都可以看到
    for (const auto& v : points)
    {
      if ((v[1] == location[1]) && (v[0] == location[0]))
      {
        iLocPointCount++;
        continue;
      }
      double dAng = atan2(v[1] - location[1], v[0] - location[0]);
      vSee.emplace_back(dAng);
    }
    sort(vSee.begin(), vSee.end());
    for (int i = 0; (i < vSee.size()) && (vSee[i] <= dAngel); i++)
    {
      vSee.emplace_back(vSee[i] + PI * 2);
    }
    int iRet = 0;
    for (int i = 0,right=0; (i < vSee.size()) && (vSee[i] < PI*2); i++)
    {
      while ((right < vSee.size()) && (vSee[right] <= vSee[i] + dAngel))
      {
        right++;
      }
      iRet = max(iRet, right - i);
    }
    return iRet+ iLocPointCount;
  }
};

测试用例

template<class T>
void Assert(const T& t1, const T& t2)
{
  assert(t1 == t2);
}
template<class T>
void Assert(const vector<T>& v1, const vector<T>& v2)
{
  if (v1.size() != v2.size())
  {
    assert(false);
    return;
  }
  for (int i = 0; i < v1.size(); i++)
  {
    Assert(v1[i], v2[i]);
  }
}
int main()
{
  vector<vector<int>> points;
  int angle;
  vector<int> location;
  {
    Solution sln;
    points = { {1,2},{1,3},{1,0} }, angle = 13, location = { 1,1 };
    auto res = sln.visiblePoints(points, angle, location);
    Assert(2, res);
  }
  {
    Solution sln;
    points = { {1,2},{1,-1},{1,0} }, angle = 13, location = { 1,1 };
    auto res = sln.visiblePoints(points, angle, location);
    Assert(2, res);
  }
  {
    Solution sln;
    points = { {1,2},{1,3},{1,0} }, angle = 13, location = { 1,1 };
    auto res = sln.visiblePoints(points, angle, location);
    Assert(2, res);
  }
  {
    Solution sln;
    points = { {3,1},{2,1},{0,1} }, angle = 13, location = { 1,1 };
    auto res = sln.visiblePoints(points, angle, location);
    Assert(2, res);
  }
  {
    Solution sln;
    points = { {2,1},{-1,1},{0,1} }, angle = 13, location = { 1,1 };
    auto res = sln.visiblePoints(points, angle, location);
    Assert(2, res);
  }
  {
    Solution sln;
    points = { {2,1},{2,2},{3,3} }, angle = 90, location = { 1,1 };
    auto res = sln.visiblePoints(points, angle, location);
    Assert(3, res);
  }
  {
    Solution sln;
    points = { {2,1},{2,2},{3,4},{1,1} }, angle = 90, location = { 1,1 };
    auto res = sln.visiblePoints(points, angle, location);
    Assert(4, res);
  }
  {
    Solution sln;
    points = { {1,0},{2,1} }, angle = 13, location = { 1,1 };
    auto res = sln.visiblePoints(points, angle, location);
    Assert(1, res);
  }
  {
    Solution sln;
    points ={ {1,1},{2,2},{3,3},{4,4},{1,2},{2,1} }, angle = 0, location = { 1,1 };
    auto res = sln.visiblePoints(points, angle, location);
    Assert(4, res);
  }
}

2023年4月

class Solution {
public:
int visiblePoints(vector& points, int angle, vector& location) {
const double PI = 3.1415926;
int iSelfPoints = 0;
std::vector dAngles;
for (const auto& v : points)
{
if ((v[0] == location[0]) && (v[1] == location[1]))
{
iSelfPoints++;
continue;
}
dAngles.emplace_back(atan2(v[1] - location[1], v[0] - location[0]));
}
std::sort(dAngles.begin(), dAngles.end());
int iPointSize = dAngles.size();
for (int i = 0; i < iPointSize; i++)
{
dAngles.emplace_back(dAngles[i] + PI * 2);
}
int iRet = 0;
double dRange = angle / 180.0 * PI;
for (int i = 0; i < iPointSize; i++ )
{
int iCurNum = std::upper_bound(dAngles.begin() + i, dAngles.end(), dAngles[i]+dRange) - dAngles.begin() - i ;
iRet = max(iRet, iCurNum);
}
return iRet + iSelfPoints;
}
};


扩展阅读

视频课程

有效学习:明确的目标 及时的反馈 拉伸区(难度合适),可以先学简单的课程,请移步CSDN学院,听白银讲师(也就是鄙人)的讲解。

https://edu.csdn.net/course/detail/38771

如何你想快

速形成战斗了,为老板分忧,请学习C#入职培训、C++入职培训等课程

https://edu.csdn.net/lecturer/6176

相关下载

想高屋建瓴的学习算法,请下载《喜缺全书算法册》doc版

https://download.csdn.net/download/he_zhidan/88348653

测试环境

操作系统:win7 开发环境: VS2019 C++17

或者 操作系统:win10 开发环境: VS2022 C++17

如无特殊说明,本算法C++ 实现。

相关文章
|
6月前
|
存储 算法
算法入门:专题二---滑动窗口(长度最小的子数组)类型题目攻克!
给定一个正整数数组和目标值target,找出总和大于等于target的最短连续子数组长度。利用滑动窗口(双指针)优化,维护窗口内元素和,通过单调性避免重复枚举,时间复杂度O(n)。当窗口和满足条件时收缩左边界,更新最小长度,最终返回结果。
|
11月前
|
存储 监控 算法
基于 C++ 哈希表算法实现局域网监控电脑屏幕的数据加速机制研究
企业网络安全与办公管理需求日益复杂的学术语境下,局域网监控电脑屏幕作为保障信息安全、规范员工操作的重要手段,已然成为网络安全领域的关键研究对象。其作用类似网络空间中的 “电子眼”,实时捕获每台电脑屏幕上的操作动态。然而,面对海量监控数据,实现高效数据存储与快速检索,已成为提升监控系统性能的核心挑战。本文聚焦于 C++ 语言中的哈希表算法,深入探究其如何成为局域网监控电脑屏幕数据处理的 “加速引擎”,并通过详尽的代码示例,展现其强大功能与应用价值。
222 2
|
11月前
|
监控 算法 数据处理
基于 C++ 的 KD 树算法在监控局域网屏幕中的理论剖析与工程实践研究
本文探讨了KD树在局域网屏幕监控中的应用,通过C++实现其构建与查询功能,显著提升多维数据处理效率。KD树作为一种二叉空间划分结构,适用于屏幕图像特征匹配、异常画面检测及数据压缩传输优化等场景。相比传统方法,基于KD树的方案检索效率提升2-3个数量级,但高维数据退化和动态更新等问题仍需进一步研究。未来可通过融合其他数据结构、引入深度学习及开发增量式更新算法等方式优化性能。
277 17
|
10月前
|
存储 机器学习/深度学习 算法
基于 C++ 的局域网访问控制列表(ACL)实现及局域网限制上网软件算法研究
本文探讨局域网限制上网软件中访问控制列表(ACL)的应用,分析其通过规则匹配管理网络资源访问的核心机制。基于C++实现ACL算法原型,展示其灵活性与安全性。文中强调ACL在企业与教育场景下的重要作用,并提出性能优化及结合机器学习等未来研究方向。
265 4
|
9月前
|
存储 监控 算法
基于跳表数据结构的企业局域网监控异常连接实时检测 C++ 算法研究
跳表(Skip List)是一种基于概率的数据结构,适用于企业局域网监控中海量连接记录的高效处理。其通过多层索引机制实现快速查找、插入和删除操作,时间复杂度为 $O(\log n)$,优于链表和平衡树。跳表在异常连接识别、黑名单管理和历史记录溯源等场景中表现出色,具备实现简单、支持范围查询等优势,是企业网络监控中动态数据管理的理想选择。
242 0
|
10月前
|
机器学习/深度学习 存储 算法
基于 C++ 布隆过滤器算法的局域网上网行为控制:URL 访问过滤的高效实现研究
本文探讨了一种基于布隆过滤器的局域网上网行为控制方法,旨在解决传统黑白名单机制在处理海量URL数据时存储与查询效率低的问题。通过C++实现URL访问过滤功能,实验表明该方法可将内存占用降至传统方案的八分之一,查询速度提升约40%,假阳性率可控。研究为优化企业网络管理提供了新思路,并提出结合机器学习、改进哈希函数及分布式协同等未来优化方向。
290 0
|
10月前
|
存储 机器学习/深度学习 监控
公司电脑上网监控中滑动窗口算法的理论构建与工程实现
本文提出一种基于滑动窗口算法的实时网络流量监控框架,旨在强化企业信息安全防护体系。系统采用分层架构设计,包含数据采集、处理与分析决策三大模块,通过 Java 实现核心功能。利用滑动窗口技术动态分析流量模式,结合阈值检测与机器学习模型识别异常行为。实验表明,该方案在保证高检测准确率的同时支持大规模并发处理,为企业数字化转型提供可靠保障。
237 0
|
6月前
|
机器学习/深度学习 算法 机器人
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
600 0
|
6月前
|
数据采集 分布式计算 并行计算
mRMR算法实现特征选择-MATLAB
mRMR算法实现特征选择-MATLAB
387 2
|
7月前
|
传感器 机器学习/深度学习 编解码
MATLAB|主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性
MATLAB|主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性
333 3
下一篇
开通oss服务