洛谷 P3833 [SHOI2012]魔法树(树剖)

 

 

题目中只要注意平时在找重儿子的时候是以 s 作为根节点 s>=1 所以在此根节点为 0,要求我们将所有的节点编号 +1

const int N=1e5+5;

    int n,m;
    int i,j,k;
    int a[N];
    vector<int> G[N];
    struct Node
    {
        int l, r;
        ll lazy,sum;
        #define lson id<<1
        #define rson id<<1|1
        void update(ll x)
        {
            sum+=x*(r-l+1);
            lazy+=x;
        }
    }t[N<<2];

int fa[N],sz[N],dep[N],son[N];
void dfs1(int u,int f)
{
    fa[u]=f;
    sz[u]=1;
    dep[u]=dep[f]+1;
    for(int i=0;i<G[u].size();i++){
        int v=G[u][i];
        if(v==f) continue;
        dfs1(v,u);
        sz[u]+=sz[v];
        if(sz[v]>sz[son[u]]) son[u]=v;
    }
}

int top[N],dfs[N],tree[N],tot=0;
void dfs2(int u,int f)
{
    top[u]=f;
    dfs[u]=++tot;
    tree[tot]=u;
    if(!son[u]) return ;
    dfs2(son[u],f);
    for(int i=0;i<G[u].size();i++){
        int v=G[u][i];
        if(v==fa[u] || v==son[u]) continue;
        dfs2(v,v);
    }
}

void push_up(int id){ t[id].sum=t[lson].sum+t[rson].sum; }

void push_down(int id)
{
    ll x=t[id].lazy;
    if(x){
        t[lson].update(x);
        t[rson].update(x);
        t[id].lazy=0;
    }
}

void build(int l,int r,int id)
{
    t[id].l=l,t[id].r=r;
    t[id].sum=t[id].lazy=0;
    if(l==r) return ;
    else{
        int mid=l+r>>1;
        build(l,mid,lson);
        build(mid+1,r,rson);
        push_up(id);
    }
}

void update(int l,int r,int id,ll val)
{
    int L=t[id].l,R=t[id].r;
    if(L>=l && r>=R) t[id].update(val);
    else{
        int mid=L+R>>1;
        push_down(id);
        if(mid>=l) update(l,r,lson,val);
        if(r>=mid+1) update(l,r,rson,val);
        push_up(id);
    }
}

ll query(int l,int r,int id)
{
    int L=t[id].l,R=t[id].r;
    if(L>=l && r>=R) return t[id].sum;
    else{
        int mid=L+R>>1;
        push_down(id);
        ll ans=0;
        if(mid>=l) ans+=query(l,r,lson);
        if(r>=mid+1) ans+=query(l,r,rson);
        push_up(id);
        return ans;
    }
}

#define nx top[x]
#define ny top[y]

void add(int x,int y,ll z)
{
    while(nx!=ny){
        if(dep[nx]<dep[ny]) swap(x,y);
        update(dfs[nx],dfs[x],1,z);
        x=fa[nx];
    }
    if(dep[x]>dep[y]) swap(x,y);
    update(dfs[x],dfs[y],1,z);
}

signed main()
{
    while(~sd(n)){
        int x,y,z,s=1;
        for(int i=1;i<=n-1;i++){
            sdd(x,y);
            ++x,++y;
            G[x].pb(y);
            G[y].pb(x);
        }
        dfs1(s,0); dfs2(s,s);
        build(1,n,1);
        sd(m);
        for(int i=1;i<=m;i++){
            char opt;
            scanf(" %c",&opt);
            if(opt=='A'){
                sddd(x,y,z);
                ++x,++y;
                add(x,y,z);
            } else if(opt=='Q'){
                sd(x);
                ++x;
                ll ans=query(dfs[x],dfs[x]+sz[x]-1,1);
                pll(ans);
            }
        }
    }
    //PAUSE;
    return 0;
}

 

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。
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