BZOJ 4034 [HAOI2015]树上操作 - 树链剖分

大概是一道裸题。注意处理给所有子树add时可以采用给入时间和出时间的区域线段树统一加add的方法,因为子树包含且仅包含在这一段区域内。


#include<iostream>
#include<cstring>
#include<cstdio>
#include<algorithm>
#include<cstdlib>
 
using namespace std;
 
const int maxn=100005;
 
struct edge
{
    int to,next;
}e[maxn<<1];
struct tree
{
    long long val,add;
}t[maxn<<2];
 
int n,q,dfs_clock,cnt;
int s[maxn],f[maxn],id[maxn],out_time[maxn],head[maxn];
int size[maxn],son[maxn],per[maxn],top[maxn];
 
inline void insert(int a,int b)
{
    e[++cnt].to=b;e[cnt].next=head[a];head[a]=cnt;
}
inline void maintain(int ro)
{
    t[ro].val=t[ro<<1].val+t[ro<<1|1].val;
}
void build(int ro,int l,int r)
{
    if(l==r)
    {
        t[ro].val=s[f[l]];
        return;
    }
    int mid=l+r>>1;
    build(ro<<1,l,mid);
    build(ro<<1|1,mid+1,r);
    maintain(ro);
}
inline void pushdown(int ro,int l,int r)
{
    int mid=l+r>>1;
    if(t[ro].add)
    {
        t[ro<<1].add+=t[ro].add;
        t[ro<<1|1].add+=t[ro].add;
        t[ro<<1].val+=1LL*(mid-l+1)*t[ro].add;
        t[ro<<1|1].val+=1LL*(r-mid)*t[ro].add;
        t[ro].add=0;
    }
}
void addition(int ro,int L,int R,int l,int r,int add)
{
    if(L==l&&R==r)
    {
        t[ro].val+=1LL*(r-l+1)*add;
        t[ro].add+=add;
        return;
    }
    pushdown(ro,l,r);
    int mid=l+r>>1;
    if(R<=mid)addition(ro<<1,L,R,l,mid,add);
    else if(L>=mid+1)addition(ro<<1|1,L,R,mid+1,r,add);
    else addition(ro<<1,L,mid,l,mid,add),addition(ro<<1|1,mid+1,R,mid+1,r,add);
    maintain(ro);
}
long long query(int ro,int L,int R,int l,int r)
{
    if(L==l&&R==r)
        return t[ro].val;
    pushdown(ro,l,r);
    int mid=l+r>>1;
    if(R<=mid)return query(ro<<1,L,R,l,mid);
    else if(L>=mid+1)return query(ro<<1|1,L,R,mid+1,r);
    else return query(ro<<1,L,mid,l,mid)+query(ro<<1|1,mid+1,R,mid+1,r);
}
void addition(int x,int add)
{
    addition(1,id[x],out_time[x],1,n,add);
}
long long query(int x)
{
    long long res=0;
    int tp=top[x];
    while(x)
    {
        res+=query(1,id[tp],id[x],1,n);
        x=per[tp];
        tp=top[x];
    }
    return res;
}
void dfs(int x,int fa)
{
    size[x]=1;
    per[x]=fa;
    for(int i=head[x];i;i=e[i].next)
        if(e[i].to!=fa)
    {
        dfs(e[i].to,x);
        size[x]+=size[e[i].to];
        if(size[e[i].to]>size[son[x]])
            son[x]=e[i].to;
    }
}
void dfs_chain(int x,int tp)
{
    id[x]=++dfs_clock;//节点映射编号 
    f[dfs_clock]=x;//编号映射节点 
    top[x]=tp;
    if(son[x])
        dfs_chain(son[x],tp);
    for(int i=head[x];i;i=e[i].next)
        if(e[i].to!=per[x]&&e[i].to!=son[x])
            dfs_chain(e[i].to,e[i].to);
    out_time[x]=dfs_clock;
}
int main()
{
    scanf("%d%d",&n,&q);
    for(int i=1;i<=n;i++)
        scanf("%d",s+i);
    for(int i=1;i<n;i++)
    {
        int a,b;
        scanf("%d%d",&a,&b);
        insert(a,b);
        insert(b,a);
    }
    dfs(1,0);
    dfs_chain(1,1);
    build(1,1,n);
    while(q--)
    {
        int d,d1,d2;
        scanf("%d",&d);
        if(d==1)
        {
            scanf("%d%d",&d1,&d2);
            addition(1,id[d1],id[d1],1,n,d2);
        }
        else if(d==2)
        {
            scanf("%d%d",&d1,&d2);
            addition(d1,d2);
        }
        else if(d==3)
        {
            scanf("%d",&d1);
            printf("%lld\n",query(d1));
        }
    }
    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