[51nod] 2388 首都

本文介绍了一种高效的算法,用于解决曼哈顿距离与切比雪夫距离之间的转换问题。通过计算中位数和奇偶性,算法能够找到使两种距离相等的点,并统计满足条件的点的数量。

https://www.51nod.com/Challenge/Problem.html#!#problemId=2388

曼哈顿距离与切比雪夫距离互转

#include<bits/stdc++.h>
using namespace std;
#define N 100005

int n;
long long sum[2][2],ans,dis,x[N],y[N],X[N],Y[N],_X,_Y;

int main()
{
	scanf("%d",&n);
	for (int i=1;i<=n;i++) scanf("%lld%lld",x+i,y+i),X[i]=x[i]-y[i],Y[i]=x[i]+y[i];
	sort(X+1,X+n+1);sort(Y+1,Y+n+1);
	long long a=X[n+1>>1],b=X[n+2>>1];
	if (a==b) sum[0][a&1]=1;
	else
	{
		sum[0][0]=((b-((b&1)^1))-(a+((a&1)^1)))/2+((b&1)^1)+((a&1)^1);
		sum[0][1]=((b-(b&1))-(a+(a&1)))/2+(b&1)+(a&1);
	}
	a=Y[n+1>>1];b=Y[n+2>>1];
	if (a==b) sum[1][a&1]=1;
	else
	{
		sum[1][0]=((b-((b&1)^1))-(a+((a&1)^1)))/2+((b&1)^1)+((a&1)^1);
		sum[1][1]=((b-(b&1))-(a+(a&1)))/2+(b&1)+(a&1);
	}
	ans=sum[0][0]*sum[1][0]+sum[0][1]*sum[1][1];
	if (ans==0)
	{
		long long DIS=1e18;
		_X=X[n+1>>1]+1,_Y=Y[n+1>>1];
		for (int i=1;i<=n;i++) dis+=abs(X[i]-_X)+abs(Y[i]-_Y);
		if (dis<DIS) DIS=dis,ans=1;
		else if (dis==DIS) ans++;
		dis=0;
		_X=X[n+1>>1]-1,_Y=Y[n+1>>1];
		for (int i=1;i<=n;i++) dis+=abs(X[i]-_X)+abs(Y[i]-_Y);
		if (dis<DIS) DIS=dis,ans=1;
		else if (dis==DIS) ans++;
		dis=0;
		_X=X[n+1>>1],_Y=Y[n+1>>1]+1;
		for (int i=1;i<=n;i++) dis+=abs(X[i]-_X)+abs(Y[i]-_Y);
		if (dis<DIS) DIS=dis,ans=1;
		else if (dis==DIS) ans++;
		dis=0;
		_X=X[n+1>>1],_Y=Y[n+1>>1]-1;
		for (int i=1;i<=n;i++) dis+=abs(X[i]-_X)+abs(Y[i]-_Y);
		if (dis<DIS) DIS=dis,ans=1;
		else if (dis==DIS) ans++;
		printf("%lld\n%lld\n",DIS>>1,ans);
		return 0;
	}
	_X=X[n+1>>1],_Y=Y[n+1>>1];
	if (_X+_Y&1)
	{
		if (_X<X[n+2>>1]) _X++;
		else _Y++;
	}
	for (int i=1;i<=n;i++) dis+=abs(X[i]-_X)+abs(Y[i]-_Y);
	printf("%lld\n%lld\n",dis>>1,ans);
}
内容概要:本文围绕基于CNN-Transformer混合模型的锂电池SOH(State of Health,健康状态)预测估计展开研究,提出一种融合卷积神经网络(CNN)与Transformer架构的深度学习方法,用于精准建模电池容量衰退过程。该方法充分发挥CNN在局部特征提取方面的优势以及Transformer在捕捉长时间序列依赖关系上的强大能力,有效提升了锂电池健康状态预测的准确性与稳定性。研究内容涵盖数据预处理、模型结构设计、训练优化流程及预测结果可视化等关键环节,适用于电池退化趋势分析与剩余使用寿命(RUL)评估,具有较强的工程应用价值。; 适合人群:具备Python编程能力和深度学习理论基础的高校研究生、科研人员及从事新能源电池管理系统开发的工程技术人才,特别适合聚焦于锂电池寿命预测、故障诊断与健康管理等方向的研究者。; 使用场景及目标:①掌握CNN与Transformer在时间序列回归任务中的协同建模机制;②实现高精度锂电池SOH预测模型构建与训练;③服务于电动汽车续航管理、储能系统运维决策与电池老化特性分析;④支持学术论文复现、科研项目验证及工业级电池管理算法开发。; 阅读建议:此资源以代码实践为核心驱动,建议读者结合所提供的完整Python代码进行动手实现,深入理解模型各模块的设计逻辑与训练技巧,并可通过调整网络结构或引入新数据集进一步拓展至其他时序预测任务中。
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