三分算法的简单应用

news2026/3/22 5:20:31
三分算法的简单应用三分算法三分算法求函数极值P1883 Error Curves - 洛谷P5931 灯泡 - 洛谷P2571 传送带 - 洛谷OJ参考三分算法二分法在单调函数上查找特定值或在有序数组中搜索目标依赖于函数在区间内具有单调性从而能够通过一次比较确定目标所在的半区间。但很多问题需要求凹函数或凸函数的极值凹函数在极值点两侧函数的单调性相反一侧递增另一侧递减。此时用二分法取中点时无法通过比较中点处的函数值与某个参考值来判断极值点位于中点的左侧还是右侧因为函数值的大小关系并不能唯一确定方向。三分法适用于求解凸性函数的极值问题二次函数就是一个典型的单峰函数。 三分法与二分法一样它会不断缩小答案所在的求解区间。二分法缩小区间利用的原理是函数的单调性而三分法利用的则是函数的单峰性。至于为什么不用求导的方式求极值是因为某些问题中需要求极值点的单峰函数并非一个单独的函数而是多个函数进行特殊运算得到的函数甚至是抽象函数或分段函数。此时在函数某些点上可能不可导。例如求多个单调性不完全相同的一次函数组成的分段函数的最小值的最大值就不能用求导来求解。三分算法求函数极值设当前求解的区间为[l,r]令m1 l(r-l)/3m2r-(r-l)/3接着计算这两个点的函数值f(m1),f(m2)之后将两点中函数值更优的那个点称为好点若计算最大值则f(m)更大的那个点 就为好点计算最小值同理而函数值较差的那个点称为坏点。可以证明最优点与好点会与坏点同侧。如图所示f(m1)f(m2)则m1是好点而m2是坏点因此最后的最优点会与m1一起在m2的左侧即我们的求解区间由[l,r]变为了[l,m2]。因此根据这个结论我们可以不停缩小求解区间直至得出近似解。 与二分一样我们可以指定三分的次数或是根据r-l的值来终止算法。以求上凸单峰函数的最大值为例三分模板doublefind(doublel,doubler){constdoubledlt1e-10;while(r-ldlt){doublem1l(r-l)/3;doublem2r-(r-l)/3;if(f(m1)f(m2))// m1比m2更靠近极值lm1;elserm2;}returnf(l);// 极值点这里lr}三分算法也可以用在单调函数上但求得的是 2 个端点的值。常出现的题目大致有求某个拥有具体解析式和定义域的函数的极值和优化枚举其中的函数需要现场分析和推理很考验个人的数学能力。P1883 Error Curves - 洛谷[P1883 【模板】三分 / 函数 / ICPC 2010 Chengdu R] Error Curves - 洛谷1435【例题3】曲线一堆二次函数组合在一起的叠加函数因为a 0 a0a0所以在[0,1000]可能单调递增也可能是先单调递减后单调递增。但无论是什么情况这个函数在[0,1000]都可以看做凹函数或单调函数然后对这个函数求最小值可以尝试三分。#includebits/stdc.husingnamespacestd;constdoubledlt1e-11;vectordoublea,b,c;intn;inlinedoublef(doublex){doubleansa[1]*x*xb[1]*xc[1];for(inti1;ia.size();i)ansmax(ans,a[i]*x*xb[i]*xc[i]);returnans;}voidac(){cinn;a.resize(n1,0);bca;for(inti1;in;i)cina[i]b[i]c[i];doublel0,r1000.0;while(r-ldlt){doublem1f(l(r-l)/3);doublem2f(r-(r-l)/3);if(m1m2)// 凹函数m1比m2更接近极值rr-(r-l)/3;elsell(r-l)/3;}printf(%.4lf\n,f(r));}intmain(){// freopen(in.in, r, stdin);intT1;cinT;while(T--)ac();return0;}P5931 灯泡 - 洛谷[P5931 清华集训 2015] 灯泡 - 洛谷1438灯泡题图如图所示但实际上根据D DD和h hh的变化会出现不同的情况。当影子仅出现在地面时如图所示根据三角形的相似性有L D L L x h H \frac{L}{D}\frac{L}{Lx}\frac{h}{H}DL​LxL​Hh​交叉相乘再移项得L h H − h x L\frac{h}{H-h}xLH−hh​x。随着x xx增大当x L D xLDxLD时影子L LL最长否则影子就会有一部分到墙上。影子L LL最长时x D − L H − h H D xD-L\frac{H-h}{H}DxD−LHH−h​D。也就是说当影子在地面上时x H − h H D x\frac{H-h}{H}DxHH−h​D。当影子出现在墙壁时如图所示根据相似三角形的性质有e d f g D − x D \frac{ed}{fg}\frac{D-x}{D}fged​DD−x​即h − L D − x H − L D − x D − x D \frac{h-LD-x}{H-LD-x}\frac{D-x}{D}H−LD−xh−LD−x​DD−x​。2 边同时乘以 2 个分母的乘积得h D − L D D 2 − D x ( H D − x ) ( D − x ) − L ( D − x ) hD-LDD^2-Dx(HD-x)(D-x)-L(D-x)hD−LDD2−Dx(HD−x)(D−x)−L(D−x)将要求的答案L LL移项到左边其余移项到右边得L ( H D − x ) ( D − x ) − h D − D 2 D x − x H D − H x D 2 − D x − D x x 2 − h D − D 2 D x − x H D − H x − D x x 2 − h D − x − x − ( H − h ) D x H D \begin{aligned}L\frac{(HD-x)(D-x)-hD-D^2Dx}{-x}\\\frac{HD-HxD^2-Dx-Dxx^2-hD-D^2Dx}{-x}\\\frac{HD-Hx -Dxx^2-hD }{-x}\\-x-\frac{(H-h)D}{x}HD\end{aligned}L​−x(HD−x)(D−x)−hD−D2Dx​−xHD−HxD2−Dx−Dxx2−hD−D2Dx​−xHD−Hx−Dxx2−hD​−x−x(H−h)D​HD​L − x − ( H − h ) D x H D L-x-\frac{(H-h)D}{x}HDL−x−x(H−h)D​HD是一个对勾函数在x ∈ [ 0 , ∞ ] x\in [0,\infty]x∈[0,∞]是凹函数。题目要求最大的影子长度则函数L LL的定义域应为[ H − h H D , D ] [\frac{H-h}{H}D,D][HH−h​D,D]在这个范围内L LL函数要么是单调函数要么是凹函数但无论是哪一个都能使用三分算法求得极值。[P5931 清华集训 2015] 灯泡 - 洛谷 和1438灯泡 参考#includebits/stdc.husingnamespacestd;doublef(doubleH,doubleh,doubleD,doublex){return(-x-((D*(H-h))/x)HD);}intmain(){// freopen(in.in, r, stdin);intT0;cinT;while(T--){doubleH,h,D;cinHhD;doubleL(H-h)*D/H,RD;while(R-L1e-9){doublem1L(R-L)/3,m2R-(R-L)/3;if(f(H,h,D,m1)f(H,h,D,m2))Lm1;// m2更靠近极值点elseRm2;}printf(%.3lf\n,f(H,h,D,L));}return0;}P2571 传送带 - 洛谷1439【SCOI2010】传送带[P2571 SCOI2010] 传送带 - 洛谷题目测试样例如图容易想到若点E EE固定则F FF从C CC移动 到D DD整体移动时间由长变短再变长这是一个单峰函数此时可以用三分算法。但因为E EE也是动点所以也要对E EE进行枚举。但对E EE的轨迹用二分枚举的话就无法获得下一步行动所以对E EE的轨迹也用三分。这题可以求函数解析式但最后的结果是个二元函数同样是使用三分优化E EE和F FF的枚举这里就不推导了。参考程序#includebits/stdc.husingnamespacestd;usingf64double;f64 ax,ay,bx,by,cx,cy,dx,dy,P,Q,R;booleq(f64 x,f64 y){returnfabs(x-y)1e-9;}voidmidl(f64aim,f64x,f64y){// 左端点收缩aimx(y-x)/3;};voidmidr(f64aim,f64x,f64y){// 右端点收缩aimy-(y-x)/3;};f64dis(f64 x1,f64 y1,f64 x2,f64 y2){// 计算2点间距f64 xx1-x2,yy1-y2;returnsqrt(x*xy*y);}f64tim(f64 x1,f64 y1,f64 x2,f64 y2){// 计算费时f64 dabdis(x1,y1,ax,ay);f64 dcddis(x2,y2,dx,dy);f64 d12dis(x1,y1,x2,y2);returndab/Pdcd/Qd12/R;}f64TCD(f64 x,f64 y){// 枚举F点f64 lxcx,lycy,rxdx,rydy;f64 mlx,mly,mrx,mry;while(!(eq(lx,rx)eq(ly,ry))){midl(mlx,lx,rx),midl(mly,ly,ry);midr(mrx,lx,rx),midr(mry,ly,ry);if(tim(x,y,mlx,mly)tim(x,y,mrx,mry))rxmrx,rymry;// ml更接近最优解elselxmlx,lymly;}returntim(x,y,lx,ly);}f64TAB(){// 枚举E点f64 lxax,lyay,rxbx,ryby;f64 mlx,mly,mrx,mry;while(!(eq(lx,rx)eq(ly,ry))){midl(mlx,lx,rx),midl(mly,ly,ry);midr(mrx,lx,rx),midr(mry,ly,ry);if(TCD(mlx,mly)TCD(mrx,mry))// ml更接近最优解rxmrx,rymry;elselxmlx,lymly;}returnTCD(mlx,mly);}intmain(){// freopen(in.in, r, stdin);cinaxaybxby;cincxcydxdy;cinPQR;printf(%.2lf,TAB());return0;}这题解法很多有模拟退火、暴力枚举、三分嵌套三分这里只举例三分嵌套三分。OJ参考[P1883 【模板】三分 / 函数 / ICPC 2010 Chengdu R] Error Curves - 洛谷1435【例题3】曲线[P5931 清华集训 2015] 灯泡 - 洛谷1438灯泡1439【SCOI2010】传送带[P2571 SCOI2010] 传送带 - 洛谷

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.coloradmin.cn/o/2432036.html

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,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…