HDU 4190 Distributing Ballot Boxes【二分答案】

题意:给出n个城市,n个城市分别的居民,m个盒子,为了让每个人都投上票,问每个盒子应该装多少张票

二分盒子装的票数,

如果mid<=m,说明偏大了,r应该向下逼近 ,r=mid

如果mid>m,说明偏小了,l应该向上逼近,l=mid+1

和上午那个切割木块那个一样-----------

 1 #include<iostream>  
 2 #include<cstdio>  
 3 #include<cstring> 
 4 #include <cmath> 
 5 #include<stack>
 6 #include<vector>
 7 #include<map> 
 8 #include<set>
 9 #include<queue> 
10 #include<algorithm>  
11 using namespace std;
12 
13 typedef long long LL;
14 const int INF = (1<<30)-1;
15 const int mod=1000000007;
16 const int maxn=1000005;
17 
18 int a[maxn];
19 int n,m;
20 
21 int ok(int x){
22     int ans=0;
23     for(int i=1;i<=n;i++){
24         int tmp=a[i]/x;
25         if(a[i]%x) tmp++;
26         ans+=tmp;
27     }
28     if(ans<=m) return 1;
29     return 0;
30 }
31 
32 int main(){
33     while(scanf("%d %d",&n,&m)!=EOF){
34         if(n==-1&&m==-1) break;
35         
36         int maxx=-INF;
37         for(int i=1;i<=n;i++) {
38             scanf("%d",&a[i]);
39             maxx=max( a[i] , maxx );
40         }
41         
42         int l=0,r=maxx,mid;
43         while(l<r){
44             mid=(l+r)/2;    
45             if(ok(mid)) r=mid;
46             else l=mid+1;
47         }
48         printf("%d\n",l);
49     }
50     return 0;
51 }
View Code

 

转载于:https://www.cnblogs.com/wuyuewoniu/p/4542673.html

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/492182.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

局部特征检测器和描述符

图像匹配有三个步骤&#xff1a;检测特征点&#xff0c;特征描述和匹配 1、检测特征点 好的特征点的位置不随图像亮度变换的改变&#xff0c;只与图像的几何变换有关。 1.1 图像变换 1.1.1 几何变换&#xff1a;旋转和伸缩 1.1.2 亮度变换 1.2 Harris角点检测的性质 角点的…

5G+AI系列研究:5G元年,电子行业迎来新时代​

来源&#xff1a;国泰君安证券摘要&#xff1a;本报告作为【5GAI】系列报告的第一篇&#xff0c;主要包括两部分内容&#xff0c;PART A&#xff1a;5G带来终端射频新机遇&#xff1b;PART B&#xff1a;基站建设启动&#xff0c;产业链爆发在即。附报告部分PPT&#xff1a;未来…

卷积神经网络(CNN:Convolutional Neural Network)

1、感知器&#xff08;perceptron&#xff09; 感知器是卷积神经网络的基本单元&#xff0c;下图展示了其工作原理&#xff0c;为了方便理解&#xff0c;图中只显示了3个输入。 向量w为输入向量x的权重&#xff0c;b为偏差&#xff0c;最后对x的线性组合&#xff08;&#xff…

性能调优:理解Set Statistics Time输出

性能调优&#xff1a;理解Set Statistics Time输出 原文:性能调优&#xff1a;理解Set Statistics Time输出在性能调优&#xff1a;理解Set Statistics IO输出我们讨论了Set Statistics IO&#xff0c;还有如何帮助我们进行性能调优。这篇文章会讨论下Set Statistics Time&…

Nature Communications:实时记录神经系统,解开大脑秘密

来源&#xff1a;神经科技人的大脑中大概有一千亿个神经元&#xff0c;每一个神经元都连接到数以百计的神经元邻居。分析大脑中的神经活动和致此活动的原因&#xff0c;一直是科学家们研究的目标。现在&#xff0c;一组科学家设计出整个神经系统高速映射神经元放电的成像技术&a…

图像变换(Image transformations)

1 图像变换和图像滤波&#xff08;image filtering&#xff09;的区别 1.1 图像滤波 图像滤波改变像素点的灰度值&#xff0c;不改变像素点的坐标&#xff0c;如下图所示。 用函数可表示为&#xff1a; 其中f(x)表示原图&#xff0c;h(x)表示滤波器 1.2 图像变换 图像变换改…

图像对齐(image alignment)

1、图像对齐的步骤 已知图像A和B&#xff0c;图像对齐的步骤&#xff1a; 提取图像A和B的特征匹配图像A和B中的特征求解图像A和B的对齐矩阵2 使用最小二乘求解对齐矩阵的问题 使用最小二乘求解对齐矩阵容易受到outliers的影响, 误差会很大。 3 RANSAC&#xff08;random sa…

巴黎不哭!十亿点数据“重建”巴黎圣母院

来源&#xff1a;大数据文摘摘要&#xff1a;目前&#xff0c;尽管现实中的大教堂已经无法恢复&#xff0c;但被数字化的“巴黎圣母院”仍然精确地留存在人类世界。而通过这一数据留存&#xff0c;重建巴黎圣母院成为可能&#xff0c;后人也仍然可以一览它曾经的雄伟。即使这一…

照相机的成像变换

1 变换过程 照相机的成像变换过程可以分为3步&#xff1a;世界坐标系——>相机坐标系——>图像坐标系——>像素坐标系 2 世界坐标系——>相机坐标系 景物从世界坐标系转换到相机坐标系需要使用到刚体变换&#xff08;物体不发生变形&#xff0c;对一个几何物体做…

我国芯片各细分领域龙头名单

来源&#xff1a;机械前沿芯片的分类&#xff1a;日常生活中&#xff0c;我们可以发现芯片的种类比如有通信芯片、人工智能芯片、LED芯片、电脑芯片等等。芯片的产业链是这样的&#xff1a;根据产业链划分&#xff0c;芯片从设计到出厂的核心环节主要包括 6 个部分&#xff1a;…

求解相机参数Camera Calibration

1 主要思想 使用黑白棋盘格&#xff0c;记录世界坐标系中关键点的坐标&#xff0c;然后使用手机拍照&#xff0c;记录相应点像素点的坐标。 这样就得到了许多3D-2D的配对点 2 详细过程 由 上一篇博客 内容可知&#xff0c; 其中 P‘ 为像素坐标&#xff0c; Pw为世界坐标系的…

超壮观!10只波士顿动力机器狗,拖动大卡车,步伐整齐划一如同仪仗队

来源&#xff1a;量子位整整10只SpotMini机器狗&#xff0c;可以做什么&#xff1f;波士顿动力的答案是&#xff1a;拉卡车。对&#xff0c;不是狗拉雪橇&#xff0c;是狗拉体积大得多、质量重得多的大卡车。画面中&#xff0c;出现了并排走的一对机器狗。后面还有另一对机器狗…

立体视觉(Stereo Vision)-本征矩阵(essential matrix)和基本矩阵(fundamental matrix)

1 物体深度 问题描述&#xff1a;从不同的位置拍摄相同物体的两张图片&#xff0c;恢复其深度 这里假设摄像机的镜头平行 由相似三角形&#xff1a; 由上面第一、二等式可得&#xff1a; 深度与视差成反比 2 如何配对左右图片的点 问题描述&#xff1a;已知两张图像&#xff…

重磅:苹果高通和解!英特尔退出5G基带市场,高通股价暴涨超20%,华为依然淡定...

来源&#xff1a;新浪、量子位等&#xff0c;物联网智库整理摘要&#xff1a;没有永恒的朋友&#xff0c;只有永恒的利益。前一阵子还是“牛夫人”&#xff0c;今天就变成“小甜甜”了。没有永恒的朋友&#xff0c;只有永恒的利益。前一阵子还是“牛夫人”&#xff0c;今天就变…

计算图像的景深

在 上一篇 博客中&#xff0c;景深与视差成反比&#xff0c;其公式为&#xff1a; 为焦距&#xff0c; 为左右相机的距离&#xff0c;分别为两张图像的点距离各自中心点的距离。 对于左图像的每一个像素点 &#xff0c;求图像景深可以分为以下几步&#xff0c; 在右图中&…

地球是否健康,最新“诊断报告”来了

中国南极中山站附近的冰盖、冰川与冰山。新华社发来源&#xff1a;光明日报4月13日&#xff0c;河北安平&#xff0c;游客在畅游油菜花海。新华社发对地球气候变化的科学诊断&#xff0c;要依赖一些数据指标&#xff1a;全球平均温度、海平面高度、南极冰川厚度等。4月初&#…

Structure from motion 问题

1 问题描述 已知一个图像库&#xff0c;里面有很多从不同角度不同具体拍摄同一物体的照片&#xff0c;求 构建该物体的3D模型找出这些图像的拍照位置 如下图所示&#xff1a; 2 用数学语言描述问题 输入&#xff1a;一批图像&#xff0c;隐含着许多对应点 输出&#xff1a;…

Nature新研究:猪脑死亡4小时后,科学家成功恢复脑细胞功能

来源&#xff1a;DeepTech深科技4 月 18 日 Nature 发表了耶鲁大学研究人员的一篇最新成果&#xff0c;科学家们成功在猪脑死亡 4 小时后恢复其脑循环和部分细胞功能。这一发现挑战了长期以来关于死后某些脑功能停止的时间和不可逆转性质的假设。哺乳动物大脑对于供氧水平下降极…

集成方法Ensemble Method(bagging, AdaBoost)

1 主要思想 将原始数据分成几个组训练一组分类器&#xff0c;里面有很多种弱分类器每个分类器的标签看作一次投票&#xff0c;投票最多的标签为最终标签 其架构如下所示&#xff1a; 2 为什么集成方法可行 假设这里有25个训练的弱分类器&#xff0c;且这些分类器独立工作&…

深度解析“中国制造2025”VS德国“工业4.0”,一场没有硝烟战争

来源&#xff1a;世界科技创新论坛摘要&#xff1a;“中国制造2025”与德国“工业4.0”都是在新一轮科技革命和产业变革背景下针对制造业发展提出的一个重要战略举措。比较两个战略可以看出各有特点&#xff0c;除了技术基础和产业基础不同之外&#xff0c;他们还存在战略思想等…