BZOJ 3489 A simple rmq problem

可持久化树套树

发现这是一个多维偏序,可持久化树套树即可。

#include<cstdio>
#include<algorithm> 
#define N 100005
using namespace std;
namespace runzhe2000
{
    int read()
    {
        int r = 0; char c = getchar();
        for(; c < '0' || c > '9'; c = getchar());
        for(; c >='0' && c <='9'; r = r*10+c-'0', c = getchar());
        return r;
    }
    int n, m, a[N], lastvis[N], pre[N], next[N], end[N], rk[N];
    struct seg0
    {
        seg0 *ch[2]; int v;
    }mem0[N*350], *tot0, *null0;
    int query0(seg0 *x, int l, int r, int ql, int qr)
    {
        if(ql <= l && r <= qr) return x->v; int mid = (l+r)>>1, ret = 0;
        if(ql <= mid) ret = max(ret, query0(x->ch[0], l,mid,ql,qr));
        if(mid <  qr) ret = max(ret, query0(x->ch[1], mid+1,r,ql,qr));
        return ret;
    }
    void modi0(seg0 *x, seg0 *y, int l, int r, int p, int val)
    {
        x->v = max(x->v, val);  if(l == r){ return;} int mid = (l+r)>>1;
        if(p <= mid) 
        {
            seg0 *tmp = ++tot0; *tmp = *y->ch[0];
            modi0(tmp,y->ch[0],l,mid,p,val);
            x->ch[0] = tmp;
        }
        else 
        {
            seg0 *tmp = ++tot0; *tmp = *y->ch[1];
            modi0(tmp,y->ch[1], mid+1,r,p,val);
            x->ch[1] = tmp;
        }
    }
    struct seg1
    {
        seg1 *ch[2]; seg0 *v;
    }mem1[N*40], *tot1, *root[N], *null1;
    int query1(seg1 *x, int l, int r, int ql, int qr, int qql, int qqr)
    {
        if(ql <= l && r <= qr) return query0(x->v,0,n+1,qql,qqr); int mid = (l+r)>>1, ret = 0;
        if(ql <= mid) ret = max(ret, query1(x->ch[0], l,mid,ql,qr,qql,qqr));
        if(mid <  qr) ret = max(ret, query1(x->ch[1], mid+1,r,ql,qr,qql,qqr));
        return ret;
    }
    void modi1(seg1 *x, seg1 *y, int l, int r, int p, int p2, int val)
    {
        seg0 *tmp = ++tot0; *tmp = *y->v;
        modi0(tmp, y->v, 0, n+1, p2, val);
        x->v = tmp;
        if(l == r) return; int mid = (l+r)>>1;
        if(p <= mid) 
        {
            seg1 *tmp = ++tot1; *tmp = *y->ch[0];
            modi1(tmp,y->ch[0],l,mid,p,p2,val);
            x->ch[0] = tmp;
        }
        else 
        {
            seg1 *tmp = ++tot1; *tmp = *y->ch[1];
            modi1(tmp,y->ch[1], mid+1,r,p,p2,val);
            x->ch[1] = tmp;
        }
    }
    void init()
    {
        null0 = tot0 = mem0; null0->ch[0] = null0->ch[1] = null0; null0->v = 0;
        null1 = tot1 = mem1; null1->ch[0] = null1->ch[1] = null1; null1->v = null0;
        root[0] = null1;
    }
    bool cmp(int a, int b){return pre[a] < pre[b];}
    void main()
    {
        n = read(), m = read();
        for(int i = 1; i <= n; i++) 
        {
            pre[i] = lastvis[a[i] = read()];
            lastvis[a[i]] = i;
        }
        for(int i = 1; i <= n; i++) lastvis[a[i]] = n+1;
        for(int i = n; i; i--)
        {
            next[i] = lastvis[a[i]];
            lastvis[a[i]] = i;
            rk[i] = i;
        }
        init(); sort(rk+1, rk+1+n, cmp);
        for(int i = 1; i <= n; i++)
        {
            root[i] = ++tot1, *root[i] = *root[i-1]; end[pre[rk[i]]] = i;
            modi1(root[i], root[i-1], 0, n+1, next[rk[i]], rk[i], a[rk[i]]);
        }
        for(int i = 1; i <= n; i++) end[i] = max(end[i], end[i-1]);
        int ans = 0, x, y, l, r;
        for(int i = 1; i <= m; i++)
        {
            x = read(), y = read();
            l = min((x+ans)%n+1, (y+ans)%n+1);
            r = max((x+ans)%n+1, (y+ans)%n+1);
            printf("%d\n",ans = query1(root[end[l-1]],0,n+1,r+1,n+1,l,r));
        }
    }
}
int main()
{
    runzhe2000::main();
}
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