bzoj1588 [HNOI2002]营业额统计 (Splay)

题意:中文题。。不多说。

这题就是裸的Splay模板。。。但是出了一个问题。。导致我WA了12次(最后随机数对拍才找到)。。。

没插入一个点,把这个点旋转到根,然后找到根的左子树最靠右边的的,根的右子树最靠左边的点,然后相减处理下就好。。。

这里我是WA在,每把一个点旋转到根,忘记把表示根节点的那个点修改成根了。。。然后还RE了几发,原因是我写的是多组数据(测试是单组数据),然后我需要初始化,删除整个树的时候指针可能越界访问了。。

#include<cstdio>
#include<cstring>
#include<algorithm>
#include<cmath>
using namespace std;
const int MAXN=500010;
struct Node
{
	Node *ch[2];
	Node *fa;
	int val;
}p[MAXN];
Node *null=&p[0];
int tot;
Node *root=null;
void Rotate(Node *x,int c)
{
	Node *y=x->fa;
	y->ch[!c]=x->ch[c];
	if(x->ch[c]!=null)
		x->ch[c]->fa=y;
	x->fa=y->fa;
	if(y->fa!=null)
	{
		if(y->fa->ch[0]==y)
			y->fa->ch[0]=x;
		else
			y->fa->ch[1]=x;
	}
	y->fa=x;
	x->ch[c]=y;
	if(y==root)
		x=root;
}
void splay(Node *x,Node *f)
{
	while(x->fa!=f)
	{
		if(x->fa->fa==f)
		{
			if(x->fa->ch[0]==x)
				Rotate(x,1);
			else
				Rotate(x,0);
		}
		else
		{
			Node *y=x->fa,*z=y->fa;
			if(z->ch[0]==y)
			{
				if(y->ch[0]==x)
					Rotate(y,1),Rotate(x,1);
				else
					Rotate(x,0),Rotate(x,1);
			}
			else
			{
				if(y->ch[1]==x)
					Rotate(y,0),Rotate(x,0);
				else
					Rotate(x,1),Rotate(x,0);
			}
		}
	}
}
Node *new_Node(int val)
{
	Node *rt=&p[++tot];
	rt->ch[0]=rt->ch[1]=rt->fa=null;
	rt->val=val;
	return rt;
}
Node *root1=null;
Node *insert(Node *rt,int val)
{
	if(rt==null)
	{
		rt=new_Node(val);
		root1=rt;
		return rt;
	}
	if(rt->val==val)
		return rt;
	if(rt->val>val)
	{
		rt->ch[0]=insert(rt->ch[0],val);
		rt->ch[0]->fa=rt;
	}
	else
	{
		rt->ch[1]=insert(rt->ch[1],val);
		rt->ch[1]->fa=rt;
	}
	return rt;
}
Node *Delete(Node *&rt)
{
	if(rt==null)
		return null;
	if(rt->ch[0]!=null)
		rt->ch[0]=Delete(rt->ch[0]);
	if(rt->ch[1]!=null)
		rt->ch[1]=Delete(rt->ch[1]);
	rt=null;
	return rt;
}
int main()
{
	int n,i;
	null->val=0;
	//freopen("out.txt","r",stdin);
	//freopen("out1.txt","w",stdout);
	while(scanf("%d",&n)==1)
	{
		tot=0;
		int x;
		int ans=0;
		for(i=1;i<=n;i++)
		{
			x=0;
			scanf("%d",&x);
			root1=null;
			root=insert(root,x);
			if(root1==null)
				continue;
			splay(root1,null);
			root=root1;	//根节点要随着相应的改变
			if(i==1)
			{
				ans+=x;
				continue;
			}
			Node *L,*R;
			L=root1->ch[0];
			while(L!=null&&L->ch[1]!=null)
				L=L->ch[1];
			R=root1->ch[1];
			while(R!=null&&R->ch[0]!=null)
				R=R->ch[0];
			int temp1=1<<30,temp2=1<<30;
			if(L!=null)
				temp1=x-(L->val);
			if(R!=null)
				temp2=(R->val)-x;
			int temp=min(temp1,temp2);
			ans+=temp;
		}
		printf("%d\n",ans);
		root=Delete(root1);
	}
	return 0;
}


【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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