[bzoj1901][Zju2112]Dynamic Rankings【树套树】【树状数组】【线段树】

【题目描述】

Description

给定一个含有n个数的序列a[1],a[2],a[3]……a[n],程序必须回答这样的询问:对于给定的i,j,k,在a[i],a[i+1
],a[i+2]……a[j]中第k小的数是多少(1≤k≤j-i+1),并且,你可以改变一些a[i]的值,改变后,程序还能针对改
变后的a继续回答上面的问题。

Input

第一行有两个正整数n(1≤n≤10000),m(1≤m≤10000)。
分别表示序列的长度和指令的个数。
第二行有n个数,表示a[1],a[2]……a[n],这些数都小于10^9。
接下来的m行描述每条指令
每行的格式是下面两种格式中的一种。 
Q i j k 或者 C i t 
Q i j k (i,j,k是数字,1≤i≤j≤n, 1≤k≤j-i+1)
表示询问指令,询问a[i],a[i+1]……a[j]中第k小的数。
C i t (1≤i≤n,0≤t≤10^9)表示把a[i]改变成为t
m,n≤10000

Output

 对于每一次询问,你都需要输出他的答案,每一个输出占单独的一行。

Sample Input

5 3
3 2 1 4 7
Q 1 4 3
C 2 6
Q 2 5 3

Sample Output

3
6

HINT

Source

【题解】

 树状数组套权值线段树模板题。

 树状数组每一个节点下开一棵权值线段树,维护这个点所代表的区间。

查询时,把树状数组上需要的节点全部提取出来,一起二分。

修改时,把包含这个点的权值线段树都一起修改。

复杂度 O(n log^2 n)

/* --------------
    user Vanisher
    problem bzoj-1901 
----------------*/
# include <bits/stdc++.h>
# define 	ll 		long long
# define 	N 		10010
# define 	M 		5000000
# define 	L 		0
# define 	R 		1e9
using namespace std;
int read(){
	int tmp=0, fh=1; char ch=getchar();
	while (ch<'0'||ch>'9'){if (ch=='-') fh=-1; ch=getchar();}
	while (ch>='0'&&ch<='9'){tmp=tmp*10+ch-'0'; ch=getchar();}
	return tmp*fh;
}
struct node{
	int num,pl,pr;
}T[M];
int h[N],a[N],place,incnum,inc[N],decnum,det[N],n,m;
int lowbit(int x){
	return x&(-x);
}
void extend(int p, int x, int l, int r){
	T[p].num++;
	if (l!=r){
		int mid=(l+r)/2;
		if (x<=mid){
			if (T[p].pl==0) T[p].pl=++place;
			extend(T[p].pl,x,l,mid);
		}
		else {
			if (T[p].pr==0) T[p].pr=++place;
			extend(T[p].pr,x,mid+1,r);
		}
	}
}
void del(int p, int x, int l, int r){
	T[p].num--;
	if (l!=r){
		int mid=(l+r)/2;
		if (x<=mid) del(T[p].pl,x,l,mid);
			else del(T[p].pr,x,mid+1,r);
	}
}
int build(int l, int r){
	int p=++place;
	for (int i=l; i<=r; i++)
		extend(p,a[i],L,R);
	return p;
}
void getinc(int x){
	incnum=0;
	while (x>0){
		inc[++incnum]=h[x];
		x=x-lowbit(x);
	}
}
void getdec(int x){
	decnum=0;
	while (x>0){
		det[++decnum]=h[x];
		x=x-lowbit(x);
	}
}
void modify(int p, int x, int k){
	del(p,a[x],L,R);
	extend(p,k,L,R);
}
int query(int num, int l, int r){
	if (l==r) return l;
	int mid=(l+r)/2,now=0;
	for (int i=1; i<=incnum; i++) now=now+T[T[inc[i]].pl].num;
	for (int i=1; i<=decnum; i++) now=now-T[T[det[i]].pl].num;
	if (now>=num){
		for (int i=1; i<=incnum; i++) inc[i]=T[inc[i]].pl;
		for (int i=1; i<=decnum; i++) det[i]=T[det[i]].pl;
		return query(num,l,mid);
	}
	else {
		for (int i=1; i<=incnum; i++) inc[i]=T[inc[i]].pr;
		for (int i=1; i<=decnum; i++) det[i]=T[det[i]].pr;
		return query(num-now,mid+1,r);
	}
}
int main(){
	n=read(), m=read();
	int l,r,k;
	for (int i=1; i<=n; i++) a[i]=read();
	for (int i=1; i<=n; i++){
		l=i-lowbit(i)+1, r=i;
		h[i]=build(l,r);
	}
	char opt;
	for (int i=1; i<=m; i++){
		scanf("\n%c",&opt);
		if (opt=='Q'){
			l=read(), r=read(); k=read();
			getinc(r); 
			getdec(l-1);
			printf("%d\n",query(k,L,R));
		}
		else {
			l=read(), k=read(); r=l;
			while (r<=n){
				modify(h[r],l,k);
				r=r+lowbit(r);
			}
			a[l]=k;
		}
	}
	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