hdu 4718 The LCIS on the Tree

求树上的最长上升子串

树链剖分+线段树,代码比较长。还有个做法是动态树,下次再看看


#include <algorithm>
#include <iostream>
#include <cstring>
#include <vector>
#include <cstdio>
using namespace std;
const int N = 1e5+5;
struct EG
{
    int v, next;
} eg[N];
int cnt;
int head[N];
void add_eg(int u,int v)
{
    ++cnt;
    eg[cnt].next = head[u]; eg[cnt].v = v; head[u] = cnt;
}
int fa[N], dep[N], sz[N], son[N];
int top[N];
int val[N], val_2[N];
int w[N];
int n_id;
void dfs_1(int id)
{
    son[id] = -1;
    sz[id] = 1;
    for(int i=head[id]; ~i; i=eg[i].next){
        int v = eg[i].v;
        dep[v] = dep[id]+1;
        fa[v] = id;
        dfs_1(v);
        if(son[id] == -1 || sz[son[id]] < sz[v]) son[id] = v;
        sz[id] += sz[v];
    }
}
void build_1(int id,int tp)
{
    top[id] = tp;
    w[id] = ++n_id;
    if(son[id] != -1) build_1(son[id], tp);
    for(int i=head[id]; ~i; i=eg[i].next){
        int v = eg[i].v;
        if(v != son[id]) build_1(v, v);
    }
}
void init()
{
    memset(head, -1, sizeof(head));
}
struct DT
{
    int l, r;
    int u_l, u_r, u_max;
    int d_l, d_r, d_max;
    int len;
} dt[N<<2];
DT merge_dt(DT x,DT y)
{
    DT tmp;
    tmp.l = x.l, tmp.r = y.r;
    tmp.len = x.len + y.len;


    tmp.d_max = max(x.d_max, y.d_max);
    tmp.d_l = x.d_l; tmp.d_r = y.d_r;
    if(val_2[x.r] > val_2[y.l]){
        if(x.d_l == x.len){
            tmp.d_l = x.d_l+y.d_l;
            tmp.d_max = max(tmp.d_max, tmp.d_l);
        }
        if(y.d_r == y.len){
            tmp.d_r = y.d_r+x.d_r;
            tmp.d_max = max(tmp.d_max, tmp.d_r);
        }
        tmp.d_max = max(tmp.d_max, x.d_r+y.d_l);
    }

    tmp.u_max = max(x.u_max, y.u_max);
    tmp.u_l = x.u_l; tmp.u_r = y.u_r;
    if(val_2[x.r] < val_2[y.l]){
        if(x.u_l == x.len){
            tmp.u_l = x.u_l+y.u_l;
            tmp.u_max = max(tmp.u_max, tmp.u_l);
        }
        if(y.u_r == y.len){
            tmp.u_r = y.u_r+x.u_r;
            tmp.u_max = max(tmp.u_max, tmp.u_r);
        }
        tmp.u_max = max(tmp.u_max, x.u_r+y.u_l);
    }
    return tmp;
}

void build(int l,int r,int rt)
{
    if(l == r){
        DT &tmp = dt[rt];
        tmp.d_l = tmp.d_r = tmp.d_max = tmp.u_l = tmp.u_r = tmp.u_max = tmp.len = 1;
        tmp.l = l; tmp.r = r;
        return;
    }
    int mid = (l+r)>>1;
    build(l, mid, rt<<1);
    build(mid+1, r, rt<<1|1);
    dt[rt] = merge_dt(dt[rt<<1], dt[rt<<1|1]);
}
DT query(int l,int r,int rt)
{
    if(l <= dt[rt].l && dt[rt].r <= r){
        return dt[rt];
    }
    int mid = (dt[rt].l + dt[rt].r) >> 1;
    if(r <= mid) return query(l, r, rt<<1);
    else if(l > mid) return query(l, r, rt<<1|1);
    else return merge_dt(query(l, r, rt<<1), query(l, r, rt<<1|1));
}
int deal(int x,int y)
{
    bool dir = 1;
    int f1, f2;
    DT ans1, ans2;
    bool st1, st2;
    st1 = st2 = false;
    f1 = top[x], f2 = top[y];
    while(f1 != f2){
        if(dep[f1] > dep[f2]){
            if(st1){
                ans1 = merge_dt(query(w[f1], w[x], 1), ans1);
            }else{
                ans1 = query(w[f1], w[x], 1);
                st1 = true;
            }
            x = fa[f1];
            f1 = top[x];
        }else{
            if(st2){
                ans2 = merge_dt(query(w[f2], w[y], 1), ans2);
            }else{
                ans2 = query(w[f2], w[y], 1);
                st2 = true;
            }
            y = fa[f2];
            f2 = top[y];
        }
    }
    if(dep[x] < dep[y]){
        if(st2){
            ans2 = merge_dt(query(w[x], w[y], 1), ans2);
        }else{
            ans2 = query(w[x], w[y], 1);
            st2 = true;
        }
    }else{
        if(st1){
            ans1 = merge_dt(query(w[y], w[x], 1), ans1);
        }else{
            ans1 = query(w[y], w[x], 1);
            st1 = true;
        }
    }
    int ret = 0;
    if(st1 && st2){
        ret = max(ans1.d_max, ans2.u_max);
        if(val_2[ans1.l] < val_2[ans2.l]){
            ret = max(ret, ans1.d_l+ans2.u_l);
        }
    }else if(st1){
        ret = ans1.d_max;
    }else if(st2){
        ret = ans2.u_max;
    }
    return ret;
}
int main()
{
    int i, j, n;
    int p;
    int T;
    int go = 0;
    scanf("%d",&T);
    while(T--){
        if(go) puts("");
        scanf("%d",&n);
        init();
        for(i=1; i<=n; ++i) scanf("%d",&val[i]);
        cnt = 0;
        for(i=2; i<=n; ++i){
            scanf("%d",&p);
            add_eg(p, i);
        }
        n_id = 0;
        dfs_1(1);
        build_1(1, 1);
        for(i=1; i<=n; ++i){
            val_2[w[i]] = val[i];
        }
        build(1, n, 1);
        int Q;
        scanf("%d",&Q);
        int u, v;
        printf("Case #%d:\n",++go);
        while(Q--){
            scanf("%d%d",&u,&v);
            printf("%d\n",deal(u, v));
        }
    }
    return 0;
}


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
健身国际俱乐部系统是一种专为健身俱乐部设计的管理软件,它通过集成多种功能来提高俱乐部的运营效率和服务质量。这类系统通常包含以下几个核心模块: 1. **会员管理**:系统能够记录会员的基本信息、会籍状态、健身历史和偏好,以及会员卡的使用情况。通过会员管理,俱乐部可以更好地了解会员需求,提供个性化服务,并提高会员满意度和忠诚度。 2. **课程预约**:会员可以通过系统预约健身课程,系统会提供课程时间、教练、地点等详细信息,并允许会员根据个人时间表进行预约。这有助于俱乐部合理安排课程,避免资源浪费。 3. **教练管理**:系统可以管理教练的个人信息、课程安排、会员反馈等,帮助俱乐部评估教练表现,优化教练团队。 4. **财务管理**:包括会员卡销售、课程费用、私教费用等财务活动的记录和管理,确保俱乐部的财务透明度和准确性。 5. **库存管理**:对于俱乐部内的商品销售,如健身装备、营养补充品等,系统能够进行库存管理,包括进货、销售、库存盘点等。 6. **数据分析**:系统能够收集和分析会员活动数据,为俱乐部提供业务洞察,帮助俱乐部制定更有效的营销策略和业务决策。 7. **在线互动**:一些系统还提供在线平台,让会员可以查看课程、预约私教、参与社区讨论等,增强会员之间的互动和俱乐部的社区感。 8. **移动应用**:随着移动设备的普及,一些健身俱乐部系统还提供移动应用,方便会员随时随地管理自己的健身计划。 9. **安全性**:系统会确保所有会员信息的安全,采取适当的数据加密和安全措施,保护会员隐私。 10. **可扩展性**:随着俱乐部业务的扩展,系统应该能够轻松添加新的功能和服务,以适应不断变化的市场需求。 健身国际俱乐部系统的选择和实施,需要考虑俱乐部的具体需求、预算和技术能力,以确保系统能够有效地支持俱乐部的运营和发展。通过这些系统的实施,健身俱乐部能够提供更加专业和高效的服务,吸引和保留更多的会员,从而在竞争激烈的
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