POJ2104 K-th Number 划分树求区间第K大数

Problem Address:http://poj.org/problem?id=2104


【前言】


如果是多次查询数组任意区间的最值,那么线段树或者树状数组都可以,后者更易实现。

但是如果是多次查询数组任意区间的第K最值,那么用划分树就更好。

虽然看着还是不太明白,但还是写写报告吧,方便以后做模板。

暂无思路,等以后想清楚了再来写。

这里是递归建树和递归查询。

划分树占用空间比较大。


【代码】


#include <iostream>
#include <algorithm>
using namespace std;

const int maxn = 100000;

int num[maxn+5];
int tree[21][maxn+5];
int leftsum[21][maxn+5];

void build_tree(int l, int r, int d)
{
	int i;
	if (l==r) return;
	int mid = (l+r)>>1;
	int cl = l, cr = mid+1, stm = 0;
	for (i=mid; i>=l && num[mid]==num[i]; i--, stm++);//记录中点左边与中位数相等的数的个数
	for (i=l; i<=r; i++)
	{
		if (i==l) leftsum[d][i] = 0;
		else leftsum[d][i] = leftsum[d][i-1];
		if (tree[d][i]<num[mid])
		{
			tree[d+1][cl] = tree[d][i];
			cl++;
			leftsum[d][i]++;
		}
		else if (tree[d][i]==num[mid] && stm>0)//处理中点左边与中位数相等的数
		{
			tree[d+1][cl] = tree[d][i];
			cl++;
			leftsum[d][i]++;
			stm--;
		}
		else
		{
			tree[d+1][cr] = tree[d][i];
			cr++;
		}
	}
	build_tree(l, mid, d+1);
	build_tree(mid+1, r, d+1);
}

int query(int d, int left, int right, int l, int r, int k)
{
	if (l==r) return tree[d][r];
	int ls, rs, mid;
	if (l==left) ls = 0;
	else ls = leftsum[d][l-1];
	rs = leftsum[d][r];
	mid = (left+right)>>1;
	if (rs-ls<k) return query(d+1, mid+1, right, l-left-ls+mid+1, r-left-rs+mid+1, k-rs+ls);//查询中的关键两行
	else return query(d+1, left, mid, left+ls, left+rs-1, k);
}

int main()
{
	int n, m;
	int i;
	int x, y, z;
	scanf("%d %d", &n, &m);
	for (i=1; i<=n; i++)
	{
		scanf("%d", &num[i]);
		tree[0][i] = num[i];
	}
	sort(num+1, num+n+1);
	build_tree(1, n, 0);
	for (i=0; i<m; i++)
	{
		scanf("%d %d %d", &x, &y, &z);
		printf("%d\n", query(0, 1, n, x, y, z));
	}
	return 0;
}


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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