HDU 4578 Transformation 解题报告(线段树,2013杭州邀请赛)

    题目大意:对一组数据有4种操作:对区间[l,r]的加法,乘法,覆盖,以及查询1次方,2次方,3次方和。

    解题报告:当时杭州邀请赛中的一道线段树裸题。记得是当时我们都卡在别的题目上,都挺低落的。最后做这题时时间也不够了,导致最后打铁了。当然,还是实力问题。

    线段树裸题,要注意的是两点:一是加法更新时先更新3次方和,再更新2次方和,最后更新1次方和。自己列个公式很容易推出来。

    二是标记传递时的处理顺序,先是覆盖标记,再是乘法标记,最后是加法标记。

    然后注意细节,随时取模,很容易就A了。

#include <cstdio>
#include <cstring>
#include <algorithm>
using namespace std;

#define LL long long
#define defm int m=(l+r)>>1;
#define lson l,m,pos<<1
#define rson m+1,r,pos<<1|1

const int MOD=10007;
const int maxn=111111;
int add[maxn<<2],mul[maxn<<2],cov[maxn<<2];
int sum[maxn<<2][3];

void updateFather(int pos)
{
	for(int i=0;i<3;i++)
		sum[pos][i]=(sum[pos<<1][i]+sum[pos<<1|1][i])%MOD;
}

void Add(int v,int amount,int pos)
{
	sum[pos][2]=sum[pos][2]+3*((v*sum[pos][1])%MOD)+3*(((v*v)%MOD*sum[pos][0])%MOD)+(((v*v)%MOD)*((v*amount)%MOD))%MOD;
	sum[pos][2]%=MOD;

	sum[pos][1]=sum[pos][1]+2*(v*sum[pos][0]%MOD)+(((v*v)%MOD)*amount)%MOD;
	sum[pos][1]%=MOD;

	sum[pos][0]=sum[pos][0]+(v*amount)%MOD;
	sum[pos][0]%=MOD;
	add[pos]=(add[pos]+v)%MOD;
}

void Mul(int v,int amount,int pos)
{
	sum[pos][2]=(((v*v)%MOD)*((v*sum[pos][2])%MOD))%MOD;
	sum[pos][1]=(((v*v)%MOD)*sum[pos][1])%MOD;;
	sum[pos][0]=(v*sum[pos][0])%MOD;

	mul[pos]=(mul[pos]*v)%MOD;
	add[pos]=(add[pos]*v)%MOD;
}

void Cov(int v,int amount,int pos)
{
	sum[pos][0]=(v*amount)%MOD;
	sum[pos][1]=(((v*v)%MOD)*amount)%MOD;
	sum[pos][2]=(((v*v)%MOD)*((v*amount)%MOD))%MOD;
	cov[pos]=v;
	mul[pos]=1;
	add[pos]=0;
}

void updateSon(int amount,int pos)
{
	if(~cov[pos])
	{
		Cov(cov[pos],amount-amount/2,pos<<1);
		Cov(cov[pos],amount/2,pos<<1|1);
		cov[pos]=-1;
	}
	if(mul[pos]!=1)
	{
		Mul(mul[pos],amount-amount/2,pos<<1);
		Mul(mul[pos],amount/2,pos<<1|1);
		mul[pos]=1;
	}
	if(add[pos])
	{
		Add(add[pos],amount-amount/2,pos<<1);
		Add(add[pos],amount/2,pos<<1|1);
		add[pos]=0;
	}
}

void update(int L,int R,int op,int v,int l,int r,int pos)
{
	if(L<=l && r<=R)
	{
		switch(op)
		{
		case 1: Add(v,r-l+1,pos);break;
		case 2: Mul(v,r-l+1,pos);break;
		case 3: Cov(v,r-l+1,pos);break;
		}
		return ;
	}
	updateSon(r-l+1,pos);
	defm;
	if(L<=m)
		update(L,R,op,v,lson);
	if(m<R)
		update(L,R,op,v,rson);
	updateFather(pos);
}

int query(int L,int R,int p,int l,int r,int pos)
{
	if(L<=l && r<=R)
		return sum[pos][p];
	updateSon(r-l+1,pos);
	defm;
	return ((L<=m?query(L,R,p,lson):0)+(m<R?query(L,R,p,rson):0))%MOD;
}

int main()
{
	int n,m;
	while(~scanf("%d%d",&n,&m) && (n|m))
	{
		update(1,n,3,0,1,n,1);

		while(m--)
		{
			int a,b,c,d;
			scanf("%d%d%d%d",&a,&b,&c,&d);
			if(a==4)
				printf("%d\n",query(b,c,d-1,1,n,1));
			else
				update(b,c,a,d,1,n,1);
		}
	}
}


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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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 10
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