hdu 4893 Wow! Such Sequence! (线段树+ 心得)

昨天做的时候,这题我第一次写的时候,代码刚写完电脑就卡死了,无奈之下只能重写了,可是重写之后一直WA,而且还找不出错误

今天早上终于找出错误了.   我在进行操作1更新的时候没有把sz初始化为0 

so:

以后写线段树的区间更新WA的时候, 而且找不出错误的时候,去找一下sz 的pushdown操作和sz的初始化是否有错吧!!!!!!

题意:

给你N个元素,进行M次操作   1 ≤ n ≤ 100000, 1 ≤ m ≤ 100000

操作1: 1  k d 表示k元素增加d, |d| < 231 

操作2: 2 l r  查询区间[L,R]之间的元素的和

操作3: 3 l r 把区间[L,R ]之间的元素变成挨着最近的斐波拉契数

对每次查询,输出ans

 

方法:

节点里面包含一个l,r,sum,csum,sz

l,r表示区间范围

sum表示区间的元素的和

csum表示区间的元素全部变成斐波拉契数之后的和

sz表示该区间是否全为斐波拉契数

 

代码:

#include <cstdio>
#include <cstring>
#define maxn 100000
#define LL __int64
#define debug puts("hehe")

struct node
{
	LL l, r;
	LL sum, csum;
	int sz;
}a[4*maxn+5];

LL F[100];

void Build(LL l, LL r, LL n)
{
	a[n].l= l;
	a[n].r= r;
	a[n].sum= a[n].sz= 0;
	if(a[n].l == a[n].r)
	{
		a[n].csum= 1;
		return;
	}
	LL mid=(a[n].l + a[n].r)/ 2;
	Build(l, mid, 2*n);
	Build(mid+1, r, 2*n+1); 
	a[n].csum= a[2*n].csum + a[2*n+1].csum;
}

LL ff(LL num)
{
	for(int i= 1; i< 100; i++)
		if(F[i]>= num)
		{
			LL t1= F[i]- num;
			LL t2= num- F[i-1];
			if(t1< t2)   
				return F[i];
			return F[i-1];	
		}
}

void pushdown(int n)
{
	if(a[n].sz)
	{
		if(a[n].l== a[n].r)
			a[n].sum= a[n].csum;
		else
		{
			a[2*n].sz= a[2*n+1].sz= a[n].sz;
			a[2*n].sum= a[2*n].csum;
			a[2*n+1].sum= a[2*n+1].csum;
		}
		a[n].sz= 0;
	}
}

void add(LL v, LL num, LL n)
{
	if(a[n].l== v && a[n].r== v)
	{
		a[n].sum+= num;
		a[n].csum= ff(a[n].sum);
	 	a[n].sz= 0; // 这里没有清除标记一直wa 
		return; 
	}
	pushdown(n);
	int mid= (a[n].l + a[n].r)/ 2;
	if(v<= mid)
		add(v, num, 2*n);
	else
		add(v, num, 2*n+1);
	a[n].sum= a[2*n].sum + a[2*n+1].sum;
	a[n].csum= a[2*n].csum + a[2*n+1].csum;		
}

LL Qsum(LL l, LL r, LL n)
{
	if(a[n].l == l && a[n].r== r)
		return a[n].sum;	
	pushdown(n);
	int mid= (a[n].l + a[n].r)/ 2;
	if(r<= mid)
		return Qsum(l, r, 2*n);
	else if(l> mid)	
		return Qsum(l, r, 2*n+1);
	else
		return Qsum(l, mid, 2*n)+ Qsum(mid+1, r, 2*n+1);			
}

void update(LL l, LL r, LL n)
{
	if(a[n].sz)
		return;
    if(a[n].l== l && a[n].r== r)
	{
		a[n].sum= a[n].csum;
		a[n].sz=1;
		return;	
	}	
	LL mid= (a[n].l + a[n].r)/2;
	if(r<= mid)
		update(l, r, 2*n);
	else if(l> mid)
		update(l, r, 2*n+1);
	else
	{
		update(l, mid, 2*n);
		update(mid+1, r, 2*n+1);	
	}
	a[n].sum= a[2*n].sum + a[2*n+1].sum;
	a[n].csum= a[2*n].csum + a[2*n+1].csum;		
}

int main()
{
	F[0]= F[1]= 1;
	for(int i= 2; i< 100; i++)
		F[i]= F[i-2] + F[i-1];
	LL n, m;
	freopen("C:/Users/Monkey/Desktop/in.txt","r",stdin);
	while(scanf("%I64d %I64d",&n,&m)!=EOF)
	{
		Build(1, n, 1);
		while(m--)
		{
			LL id, l, r;
			scanf("%I64d %I64d %I64d",&id,&l,&r);
			if(id== 1)
				add(l, r, 1);
			else if(id== 2)
				printf("%I64d\n",Qsum(l, r, 1));
			else 
				update(l, r, 1);					                            
		}
	}
	return 0;
}
/*
wa的原因
3 5
1 2 6
3 1 2
1 2 1
3 1 2
2 2 2
*/
//如果不清除根节点的sz,那么第二次更新该点之后,
//若进行操作3,因为改点的sz还是等于1.所以直接return了,该节点没有变成斐波拉契数 


 

【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。
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。
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