Vijos P1659河蟹王国

描述

河蟹王国有一位河蟹国王,他的名字叫羊驼。河蟹王国富饶安定,人们和谐相处。有一天,羊驼国王心血来潮,想在一部分人中挑出最和谐的人。于是,羊驼国王将他的子民排成了一列(==!!b汗~好长呀)。每个人都有一个初始的和谐值。羊驼国王每次会选择一个区间[L,R],这个区间中和谐值最大的人就是国王选出的人。而且,在某一时间,区间[L',R']里的人会变得熟悉,因此他们每个人的和谐值都会上升一个相同的值C。羊驼国王想知道,对于每一次选择,他选出的最大和谐值是多少。

格式

输入格式

第一行是一个数N(1<=N<=100000),表示人数。

接下来的N行,每行一个数,表示排成的序列第i个人和谐值的初始值。

接下来是一个数M(1<=M<=100000),表示羊驼国王或他的子民有所活动(羊驼国王选择一个区间算一次,某区间里的人增长和谐值算一次)的总次数。

接下来的M行,每行第一个是一个数K,K是1或2,若K=1,接下来有三个数L,R,C,表示区间[L,R]的所有人增加C的和谐值;若K=2,接下来有两个数L,R,表示国王选择了区间[L,R]。

输出格式

每次对于国王选择区间,输出选择区间里的最大和谐值。

样例1

样例输入1[复制]

5
1
2
3
4
5
3
2 1 4
1 1 3 3
2 3 5

样例输出1[复制]

4
6

限制

每个测试点1s。

提示

保证所有的数以及结果都在longint范围内。

来源

经典问题改编。


基本线段树。


#include<algorithm>
#include<iostream>
#include<cstdio>
using namespace std;
const int maxn=100005;
int n,m,ori[maxn];
struct node
{
	int l,r,mx,tag;
}a[4*maxn];
void build(int num,int l,int r)
{
	a[num].l=l,a[num].r=r;
	if(l==r)
	{
		a[num].mx=ori[l];
		return ;
	}
	int mid=(l+r)/2;
	build(2*num,l,mid);
	build(2*num+1,mid+1,r);
	a[num].mx=max(a[2*num].mx,a[2*num+1].mx);
}
void update(int num)
{
	if(a[num].l!=a[num].r)
	{
		a[2*num].mx+=a[num].tag;
		a[2*num+1].mx+=a[num].tag;
		a[2*num].tag+=a[num].tag;
		a[2*num+1].tag+=a[num].tag;
	}
	a[num].tag=0;
}
void change(int num,int x,int y,int z)
{
	if(a[num].l>=x&&a[num].r<=y)
	{
		a[num].mx+=z,a[num].tag+=z;
		return ;
	}
	if(a[num].l>y||a[num].r<x)
		return ;
	if(a[num].tag!=0)
    	update(num);
	change(2*num,x,y,z),change(2*num+1,x,y,z);
	a[num].mx=max(a[2*num].mx,a[2*num+1].mx);
}
int query(int num,int x,int y)
{
    if(a[num].l>=x&&a[num].r<=y)
        return a[num].mx;
    if(a[num].l>y||a[num].r<x)
        return -(1e9+7);
    if(a[num].tag!=0)
    	update(num);
    return max(query(2*num,x,y),query(2*num+1,x,y));
}
int main()
{
	scanf("%d",&n);
	for(int i=1;i<=n;i++)
		scanf("%d",&ori[i]);
	build(1,1,n);
	scanf("%d",&m);
	while(m--)
	{
		int k,l,r;
		scanf("%d%d%d",&k,&l,&r);
		if(k==1)
		{
			int c;
			scanf("%d",&c);
			change(1,l,r,c);
		}
		else
			printf("%d\n",query(1,l,r));
	}
	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