[NOI2015]软件包管理器(树链剖分)

题目传送门
读题后发现,install操作实质是将根节点到节点这条链上所有点都赋值为1,uninstall操作是将以x节点为根的子树及其本身赋值为0,install求ans时便是先求出根节点到x节点间点权值和,再用x的深度减去它就行了,uninstall操作求ans便是求出子树的权值和及其本身,然后这些都可以通过树链剖分来完成。注意这里线段树是区间覆盖,不是区间加,有点小细节不同。

#include<bits/stdc++.h>
using namespace std;
const int N=1e6;
int n,m,x,index_,ans,cnt,first[N],Next[N],to[N];
int val[N],f[N],mson[N],id[N],dep[N],Top[N],siz[N],lazy[N];
string saber;
int Read()
{
	int x=0,f=1;
	char ch=getchar();
	while(!isdigit(ch))
	{
		if(ch=='-') f=-1;
		ch=getchar();
	}
	while(isdigit(ch))
	{
		x=(x<<1)+(x<<3)+ch-'0';
		ch=getchar();
	}
	return f*x;
}
void add(int a,int b)
{
	index_++;
	Next[index_]=first[a];
	first[a]=index_;
	to[index_]=b;
}
void dfs1(int u,int fa)
{
	dep[u]=dep[fa]+1;
	f[u]=fa;
	int maxn=-1;
	for(int i=first[u];i;i=Next[i])
	{
		int v=to[i];
		if(v==fa) continue;
		dfs1(v,u);
		siz[u]+=siz[v];
		if(siz[v]>maxn) maxn=siz[v],mson[u]=v;
	}
}
void dfs2(int u,int zz)
{
	Top[u]=zz;
	cnt++;
	id[u]=cnt;
	if(mson[u]) dfs2(mson[u],zz);
	for(int i=first[u];i;i=Next[i])
	{
		int v=to[i];
		if(v==f[u]||v==mson[u]) continue;
		dfs2(v,v);
	}
}
void pushdown(int rt,int l,int r)
{
	if(lazy[rt]==-1) return;
	lazy[rt<<1]=lazy[rt<<1|1]=lazy[rt];
	int mid=(l+r)>>1;
	val[rt<<1]=(mid-l+1)*lazy[rt];
	val[rt<<1|1]=(r-mid)*lazy[rt];
	lazy[rt]=-1;
}
void update(int rt,int l,int r,int op,int ed,int k)
{
	if(op<=l&&ed>=r)
	{
		lazy[rt]=k;
		if(k==0)
		val[rt]=0;
		else
		val[rt]=r-l+1;
		return;
	}
	pushdown(rt,l,r);
	int mid=(l+r)>>1;
	if(op<=mid) update(rt<<1,l,mid,op,ed,k);
	if(ed>=mid+1) update(rt<<1|1,mid+1,r,op,ed,k);
	val[rt]=val[rt<<1]+val[rt<<1|1];
}
int query(int rt,int l,int r,int op,int ed)
{
	int sum=0;
	if(op<=l&&ed>=r) return val[rt];
	pushdown(rt,l,r);
	int mid=(l+r)>>1;
	if(op<=mid) sum+=query(rt<<1,l,mid,op,ed);
	if(ed>=mid+1) sum+=query(rt<<1|1,mid+1,r,op,ed);
	return sum;
}
void updateR(int u,int v,int k)
{
	while(Top[u]!=Top[v])
	{
		if(dep[Top[u]]<dep[Top[v]]) swap(u,v);
		update(1,1,n,id[Top[u]],id[u],k);
		u=f[Top[u]];
	}
	if(dep[u]>dep[v]) swap(u,v);
	update(1,1,n,id[u],id[v],k);
}
int queryR(int u,int v)
{
	int sum=0;
	while(Top[u]!=Top[v])
	{
		if(dep[Top[u]]<dep[Top[v]]) swap(u,v);
		sum+=query(1,1,n,id[Top[u]],id[u]);
		u=f[Top[u]];
	}
	if(dep[u]>dep[v]) swap(u,v);
	sum+=query(1,1,n,id[u],id[v]);
	return sum;
}
void updateT(int rt,int k)
{
	update(1,1,n,id[rt],id[rt]+siz[rt]-1,k);
}
int queryT(int rt)
{
	return query(1,1,n,id[rt],id[rt]+siz[rt]-1);
}
int main()
{
	n=Read();
	siz[1]=1;
	lazy[1]=-1;
	for(int i=1;i<n;i++) x=Read(),x++,siz[i+1]=1,lazy[i+1]=-1,add(x,i+1),add(i+1,x);
	m=Read();
	dfs1(1,0),dfs2(1,1);
//	for(int i=1;i<=n;i++) cout<<siz[i]<<" ";
//	cout<<endl;
//	for(int i=1;i<=n;i++) cout<<id[i]<<" ";
	for(int i=1;i<=m;i++)
	{
		cin>>saber;
		x=Read();
		x++;
		if(saber[0]=='i')
		{
			ans=dep[x]-queryR(1,x);
			updateR(1,x,1);
			printf("%d\n",ans);
		}
        if(saber[0]=='u')
        {;
        	ans=queryT(x);
        	updateT(x,0);
        	printf("%d\n",ans);
        }
	}
	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