CF1140F Extending Set of Points

一、题目

点此看题

二、解法

我们考虑把每个点拆成两个点,然后每个点对就是这个二分图里面的边。

考虑一个连通的二分图(用给出的点对连接)的所有边都会存在,这里给出归纳法的证明。一开始都是单个点,所以满足,如果加入一条 ( x 1 , y 1 ) (x_1,y_1) (x1,y1)的边,那么和 x 1 x_1 x1相连的 y y y,和 y 1 y_1 y1相连的 x x x都会连接,原来是一个完全二分图的话现在还会是一个完全二分图。

可以用启发式合并并查集来维护这个二分图,回退就记录一下就行了,维护一下 x x x区域的点和 y y y区域的点,贡献就是乘积,还有不懂的可以康康代码。

#include <cstdio>
#include <vector>
#include <map>
using namespace std;
const int M = 600005;
#define mk make_pair
#define ll long long
#define pii pair<int,int>
int read()
{	
	int x=0,flag=1;char c;
	while((c=getchar())<'0' || c>'9') if(c=='-') flag=-1;
	while(c>='0' && c<='9') x=(x<<3)+(x<<1)+(c^48),c=getchar();
	return x*flag;
}
int n,m,tp,fa[M],xc[M],yc[M],dep[M],st[2*M];ll ans;
map<pii,int> mp;vector<pii> v[2*M];
int find(int x)
{
	return x==fa[x]?x:find(fa[x]);
}
void merge(int x,int y)
{
	if(x==y) return ;
	if(dep[x]<dep[y]) swap(x,y);
	ans-=1ll*xc[y]*yc[y];
	ans-=1ll*xc[x]*yc[x];
	fa[y]=x;xc[x]+=xc[y];yc[x]+=yc[y];
	ans+=1ll*xc[x]*yc[x];
	st[++tp]=x;st[++tp]=y;
	if(dep[x]==dep[y]) dep[x]++,st[tp]*=-1;
}
void back(int t)
{
	while(tp>t)
	{
		int x=st[tp--],y=st[tp--];
		ans-=1ll*xc[y]*yc[y];
		if(x<0) dep[y]--,x=-x;
		fa[x]=x;xc[y]-=xc[x];yc[y]-=yc[x];
		ans+=1ll*xc[y]*yc[y];
		ans+=1ll*xc[x]*yc[x];
	}
}
void ins(int i,int l,int r,int L,int R,pii x)
{
	if(L>r || l>R) return ;
	if(L<=l && r<=R)
	{
		v[i].push_back(x);
		return ;
	}
	int mid=(l+r)>>1;
	ins(i<<1,l,mid,L,R,x);
	ins(i<<1|1,mid+1,r,L,R,x);
}
void ask(int i,int l,int r)
{
	int cur=tp;
	for(int j=0;j<v[i].size();j++)
	{
		int x=v[i][j].first,y=v[i][j].second;
		merge(find(x),find(y));
	}
	if(l==r)
	{
		printf("%lld ",ans);
		back(cur);
		return ;
	}
	int mid=(l+r)>>1;
	ask(i<<1,l,mid);
	ask(i<<1|1,mid+1,r);
	back(cur);
}
int main()
{
	n=3e5;m=read();
	for(int i=1;i<=m;i++)
	{
		int u=read(),v=read()+n;pii t=mk(u,v);
		if(mp.count(t))
			ins(1,1,m,mp[t],i-1,t),mp.erase(t);
		else mp[t]=i;
	}
	for(map<pii,int>::iterator it=mp.begin();it!=mp.end();it++)
		ins(1,1,m,it->second,m,it->first);
	for(int i=1;i<=n+n;i++)
	{
		fa[i]=i;
		if(i<=n) xc[i]++;
		else yc[i]++;
	}
	ask(1,1,m);
}
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