Poj 2528 Mayor's posters (线段树区间更新+离散化)

题意

向墙上按顺序贴n张海报,第i张海报覆盖范围为[li , ri], 求最后能看到几张海报。

题解

首先肯定是线段树的区间更新,但是由于 li 和 ri 的范围是 1e7, 直接存数会爆炸,所以需要离散化。(看了很多题解,大家都是先将2*n个点排序,然后在update的时候二分找位置)本人的离散化比较奇特,是放在结构体里的。
一个需要注意的点是,两个点相差大于一的时候,要向中间插入一个点,所以建树的时候需要开4*n,具体原因,请看其他题解。:)

代码

#include<cstdio>
#include<cstring>
#include<iostream>
#include<algorithm>
#define lson l,m,rt<<1
#define rson m+1,r,rt<<1|1
using namespace std;
const int MAX_N = 50010;
typedef long long ll;

int a[MAX_N];

struct Point
{
    int x;
    int i;
    int y;
    int z;
}point[MAX_N];

struct node
{
    int l;
    int r;
    ll lazy;
}node[MAX_N<<2];

void build(int l,int r,int rt)
{
    node[rt].l=l;
    node[rt].r=r;
    node[rt].lazy = 0;
    if(l == r)
    {
        return ;
    }
    int m= (l+r)>>1;
    build(lson);
    build(rson);
}

void pushdown(int rt)
{
    if(node[rt].lazy == 0)
        return ;
   // cout<<rt<<" ! "<<node[rt].sum<<endl;
    node[rt<<1].lazy = node[rt].lazy;
    node[rt<<1|1].lazy = node[rt].lazy;
    node[rt].lazy = 0;
}

void update(int l,int r,ll z,int rt)
{
    //cout<<"~~ "<<node[rt].l<<" "<<node[rt].r<<" "<<rt<<endl;
    if(l<=node[rt].l && node[rt].r<=r)
    {
        node[rt].lazy = z;
        return ;
    }
    if(node[rt].l == node[rt].r)
        return ;
    pushdown(rt);
    int m = (node[rt].l+node[rt].r)>>1;
    if(l<=m)
    {
        update(l,r,z,rt<<1);
    }
    if(m<r)
    {
        update(l,r,z,rt<<1|1);
    }
}

void query(int rt)
{
    //cout<<"! "<<node[rt].l<<" "<<node[rt].r<<" "<<rt<<endl;
    if(node[rt].lazy > 0)
    {
        int x = node[rt].lazy;
        a[x] = 1;
        //cout<<"~ "<<x<<endl;
        return ;
    }
    if(node[rt].l == node[rt].r)
        return ;
    query(rt<<1);
    query(rt<<1|1);
}

bool cmp(Point A, Point B)
{
    return A.x<B.x;
}

bool cmp2(Point A,Point B)
{
    if(A.i == B.i)
        return A.y<B.y;
    else
        return A.i<B.i;
}

int main()
{
    int n,q;
    int T;
    cin>>T;
    int t = 1;
    while(T--)
    {
        memset(a,0,sizeof(a));
        cin>>n;
        build(1,4*n,1);
        int cnt = 1;
        for(int i=1;i<=n;i++)
        {
            int a,b;
            scanf("%d%d",&a,&b);
            point[cnt].x = a;
            point[cnt].i = i;
            point[cnt++].y = 1;
            point[cnt].x = b;
            point[cnt].i = i;
            point[cnt++].y = 2;
        }
        sort(point+1,point+cnt,cmp);
        int tmp = 1;
        point[1].z = 1;
        for(int i=2;i<cnt;i++)
        {
            if(point[i].x == point[i-1].x)
            {
                point[i].z = tmp;
            }
            else
            {
                if(point[i].x - point[i-1].x >1 )
                    tmp++;
                tmp++;
                point[i].z = tmp;
            }
        }
        sort(point+1,point+cnt,cmp2);
        for(int i=1;i<=2*n;i+=2)
        {
            //cout<<point[i].z<<" ! "<<point[i+1].z;
            //cout<<" ! "<<i/2+1<<endl;
            update(point[i].z,point[i+1].z,i/2+1,1);
        }
        query(1);
        int ans = 0;
        for(int i=1;i<=n;i++)
        {
            //cout<<i<<"~"<<a[i]<<endl;
            ans += a[i];
        }
        printf("%d\n",ans);
    }
    return 0;
}
/**
1
5
20 50
30 44
12 33
61 76
51 66
**/
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。
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