UVALive 7148 LRIP(树分治+STL)

题目链接

题目大意:给出一棵树有 1n105 个节点,每个节点有个权值 1ai105 ,求一个由节点构成的
最长权值不降连续子串,且串的最大值和最小值的差 diffD,1D105 ,样例数 T10
思路:用树分治比较方便。考虑这条路径经过根和不经过根两种情况;不经过根就到其子树中去找,
经过根就得先维护一个上升串(离根越远值越小),然后在下降串中每次到上升串中二分即可。
在上升串中,如果 dep[u]dep[v] && val[u]val[v] ,那么u在任何时候都不会比v差,那么v就可以删除掉。
另外一份讲解

int nCase = 0;
const int maxn = 1e5 + 123;
int n, D;
vector<int> G[maxn], nodes;
bool del[maxn];
int size[maxn], maxBranch[maxn];
int val[maxn];
int ans;
/*找到每棵树的中心根*/
void dfs(int u,int f) {
    size[u] = 1, maxBranch[u] = 0;
    for (int v : G[u]) {
        if (v != f && !del[v]) {
            dfs(v, u);
            size[u] += size[v];
            maxBranch[u] = max(maxBranch[u], size[v]);
        }
    }
    nodes.push_back(u);
}
int findRoot(int u) {
    nodes.clear();
    dfs(u, -1);
    int rt = u;
    for (int v : nodes) {
        maxBranch[v] = max(maxBranch[v], size[u] - size[v]);
        if (maxBranch[v] < maxBranch[rt]) {
            rt = v;
        }
    }
    return rt;
}
map<int, int> up;
/*更新up值,如果dep[u] >= dep[v] && val[u] >= val[v],
那么v在任何时候都不会比u优*/
void updata(int v, int len) {
    auto x = up.lower_bound(v);
    if (x != up.end() && x->second >= len) return ;
    auto ed = up.upper_bound(v);
    auto it = map<int, int> :: reverse_iterator(ed);/*反着找*/
    while(it != up.rend() && it->second <= len) it++;
    up.erase(it.base(), ed);
    up[v] = len;
}
void dfs_up(int u,int f,int depth) {
    updata(val[u], depth);
    for (int v : G[u]) 
        if (!del[v] && v != f && val[v] <= val[u]) dfs_up(v, u, depth + 1);
}
void dfs_down(int u,int f,int depth) {
    auto it = up.lower_bound(val[u] - D);
    if (it != up.end()) ans = max(ans, it->second + depth + 1);
    for (int v : G[u]) {
        if (!del[v] && v != f && val[v] >= val[u]) dfs_down(v, u, depth + 1);
    }
}
void _work(int u,vector<int>& son) {
    up.clear();
    up[val[u]] = 0;
    for (int v : son) {
        if (val[v] >= val[u]) dfs_down(v, u, 1);
        if (val[v] <= val[u]) dfs_up(v, u, 1);
    }
}
void work(int u) {
    vector<int> son;
    for (int v : G[u])
        if (!del[v]) son.push_back(v);
    _work(u, son);
    /*反转一次继续找,因为对于以v为根的子树求的上升值是其前面的子树形成的结果*/
    /*还有可能是其后面的子树更优,所以要反转继续找*/
    reverse(ALL(son));
    _work(u, son);
}
void solve(int u) {
    u = findRoot(u);
    vector<int> son;
    work(u);
    del[u] = true;
    for (int v : G[u])
        if (!del[v]) solve(v);
}
int main(int argc, const char * argv[])
{    
    // freopen("in.txt","r",stdin);
    // freopen("out.txt","w",stdout);
    // ios::sync_with_stdio(false);
    // cout.sync_with_stdio(false);
    // cin.sync_with_stdio(false);

    int kase;cin >> kase;
    while(kase--) {
        cin >> n >> D;
        Rep(i, 1, n) G[i].clear();
        memset(del + 1, false, n * sizeof (bool));
        Rep(i, 1, n) scanf("%d", &val[i]);
        int u, v;
        Rep(i, 1, n - 1) {
            scanf("%d%d", &u, &v);
            G[u].push_back(v);
            G[v].push_back(u);
        }
        ans = 1;
        solve(1);
        printf("Case #%d: %d\n", ++nCase, ans);
    }

    // showtime;
    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