[BZOJ4537][Hnoi2016][分块]最小公倍数

很神的做法……

第一眼以为是cdq分治加lct(排序a,分治b)敲完lct模板发现处理不了某条边a很大b很小的情况……

把边按a排序,分成B块,第i块的a的权值范围为[Li,Ri],那么对于询问j,aj在[Li,Ri]的范围内,把这一块以及这一块之前ai<=aj且bi<=bj的边加入图中,用并查集维护、查询。

这样复杂度可以降到 O(nn logn)

分块的大小取 nlogn 时间要快一倍……

#include <cstdio>
#include <iostream>
#include <algorithm>
#include <cmath>
#define N 100010

using namespace std;

int n,m,q,block,sz;
char Ans[N];
int f[N],mxa[N],mxb[N],size[N];

struct stp{
  int x,y,a,b,g;
}E[N],Q[N],tmp[N];
struct retuse{
  int g,mxa,mxb,isz;
}r[N<<2];

inline bool cmpa(stp a,stp b){
  if(a.a==b.a) return a.b<b.b;
  return a.a<b.a;
}

inline bool cmpb(stp a,stp b){
  if(a.b==b.b) return a.a<b.a;
  return a.b<b.b;
}

inline void reaD(int &x){
  char c=getchar();x=0;
  for(;c>57||c<48;c=getchar());for(;c>=48&&c<=57;x=x*10+c-48,c=getchar());
}

int find(int x){
  if(x==f[x]) return x;
  return find(f[x]);
}

inline void merge(int x,int y,int a,int b){
  int i=find(x),j=find(y);
  r[++sz].g=i; r[sz].mxa=mxa[i]; r[sz].mxb=mxb[i]; r[sz].isz=size[i];
  r[++sz].g=j; r[sz].mxa=mxa[j]; r[sz].mxb=mxb[j]; r[sz].isz=size[j];
  if(i==j){
    mxa[i]=max(mxa[i],a);
    mxb[i]=max(mxb[i],b);
    return;
  }
  if(size[i]>size[j]) swap(i,j);
  f[i]=j; size[j]+=size[i];
  mxa[j]=max(max(mxa[j],mxa[i]),a);
  mxb[j]=max(max(mxb[j],mxb[i]),b);
}

inline int query(int x,int y,int a,int b){
  int i=find(x),j=find(y);
  if(i!=j) return 0;
  return mxa[i]==a&&mxb[i]==b;
}

inline void Return(){
  for(;sz;--sz){
    f[r[sz].g]=r[sz].g;
    mxa[r[sz].g]=r[sz].mxa;
    mxb[r[sz].g]=r[sz].mxb;
    size[r[sz].g]=r[sz].isz;
  }
}

int main(){
  reaD(n); reaD(m);
  for(int i=1;i<=m;i++)
    reaD(E[i].x),reaD(E[i].y),reaD(E[i].a),reaD(E[i].b);
  reaD(q);
  for(int i=1;i<=q;i++){
    reaD(Q[i].x),reaD(Q[i].y),reaD(Q[i].a),reaD(Q[i].b);
    Q[i].g=i;
  }
  sort(E+1,E+1+m,cmpa);
  block=(int)sqrt(m*20);
  for(int i=1;i<=m;i+=block){
    sort(E+1,E+i,cmpb); int tp=0;
    for(int j=1;j<=n;j++) f[j]=j,mxa[j]=mxb[j]=-1,size[j]=1;
    for(int j=1,k=1;j<=q;j++)
      if(Q[j].a>=E[i].a&&(i+block>m||Q[j].a<E[i+block].a))
    tmp[++tp]=Q[j];
    sort(tmp+1,tmp+1+tp,cmpb);
    for(int j=1,k=1;j<=tp;j++){
      while(k<i&&E[k].b<=tmp[j].b) merge(E[k].x,E[k].y,E[k].a,E[k].b),k++;
      sz=0;
      for(int l=i;l<i+block&&l<=m;l++)
    if(E[l].a<=tmp[j].a&&E[l].b<=tmp[j].b)
      merge(E[l].x,E[l].y,E[l].a,E[l].b);
      Ans[tmp[j].g]=query(tmp[j].x,tmp[j].y,tmp[j].a,tmp[j].b);
      Return();
    }
  }
  for(int i=1;i<=q;i++) puts(Ans[i]?"Yes":"No");
}
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