Naive Operations(线段树)

Naive Operations

Time Limit: 6000/3000 MS (Java/Others)    Memory Limit: 502768/502768 K (Java/Others)
Total Submission(s): 0    Accepted Submission(s): 0


 

Problem Description

In a galaxy far, far away, there are two integer sequence a and b of length n.
b is a static permutation of 1 to n. Initially a is filled with zeroes.
There are two kind of operations:
1. add l r: add one for al,al+1...ar
2. query l r: query ∑ri=lai/bi

 

 

Input

There are multiple test cases, please read till the end of input file.
For each test case, in the first line, two integers n,q, representing the length of a,b and the number of queries.
In the second line, n integers separated by spaces, representing permutation b.
In the following q lines, each line is either in the form 'add l r' or 'query l r', representing an operation.
1≤n,q≤100000 , 1≤lrn , there're no more than 5 test cases.

 

 

Output

Output the answer for each 'query', each one line.

 

 

Sample Input

 

5 12 1 5 2 4 3 add 1 4 query 1 4 add 2 5 query 2 5 add 3 5 query 1 5 add 2 4 query 1 4 add 2 5 query 2 5 add 2 2 query 1 5

 

 

Sample Output

 

1 1 2 4 4 6

 

思路:

设sum 为要查询的结果,因为只有两个操作,分别考虑如下:

如果是更新操作,那么区间内ai 的值会加1

但是因为ai/bi是下取整操作,因此ai的增加未必导致sum的变化。

如果到达某个区间sum不改变的话,我们打个lazy标记返回,其实不会浪费

太多时间。

那么,什么时候sum才会变化呢?比如区间最小的bi值是2,那么当ai的值达到2时

该区间sum的值就会发生变化了,具体怎么变化呢?

明显sum+=1;

那么什么区间会变化呢?

显然最小值所在的节点会变化。那么综合起来就是说,对于更新操作:

如果区间最小值(这里初始为bi,ai的加1相当于线段处的减1)为min

那么当min > 1 标记lazy返回

如果min等于1那么会更新到叶子,那么最多会有多少次更新到叶子呢?

因为b数组为1-n的排列,因此假设add的n次都是取最大的区间,那么1位置更新了 n次

2更新了n/2 ...... 总的为(1+1/2+1/3+....+1/n)*n    -----   n*logn。

但是只有当时最小值的节点会更新下去因此速度不会太慢。

那么更新操作就解决了,查询也就是一般的区间查询了。

#include <bits/stdc++.h>
using namespace std;
typedef long long ll;
const int maxn = 1e5+100;

struct node
{
    int l,r,lz,mn;
    ll sum;
}T[maxn<<2];

int b[maxn];

void pushup(int i)
{
    T[i].mn = min(T[i<<1].mn,T[i<<1|1].mn);
    T[i].sum = T[i<<1].sum+T[i<<1|1].sum;
}

void pushdown(int i)
{
    T[i<<1].mn -= T[i].lz;
    T[i<<1|1].mn -= T[i].lz;
    T[i<<1].lz += T[i].lz;
    T[i<<1|1].lz += T[i].lz;
    T[i].lz = 0;
}

void build(int i,int l,int r)
{
    T[i].l = l;
    T[i].r = r;
    T[i].lz = 0;
    T[i].sum = 0;
    if(l == r)
    {
        T[i].mn = b[l];
        return;
    }
    int mid = (l+r)/2;
    build(i<<1,l,mid);
    build(i<<1|1,mid+1,r);
    pushup(i);
}

void modify(int i,int l,int r)
{
    if(T[i].l == l && T[i].r == r)
    {
        if(T[i].mn > 1)
        {
            T[i].mn --;
            T[i].lz++;
            return;
        }
    }
    if(T[i].l == T[i].r)
    {
        T[i].mn = b[T[i].l];
        T[i].sum += 1;
        return;
    }
    int mid = (T[i].l + T[i].r) / 2;
    if(T[i].lz) pushdown(i);
    if(r <= mid) modify(i<<1,l,r);
    else if(l > mid) modify(i<<1|1,l,r);
    else{
        modify(i<<1,l,mid);
        modify(i<<1|1,mid+1,r);
    }
    pushup(i);
}

ll query(int i,int l,int r)
{
    if(T[i].l == l && T[i].r == r)
    {
        return T[i].sum;
    }
    int mid = (T[i].l + T[i].r)/2;
    if(r <= mid) return query(i<<1,l,r);
    else if(l > mid) return query(i<<1|1,l,r);
    else return query(i<<1,l,mid)+query(i<<1|1,mid+1,r);
}

int main()
{
    int n,q;
    while(scanf("%d%d",&n,&q)!=EOF)
    {
        for(int i = 1; i <= n; i++)
        {
            scanf("%d",&b[i]);
        }
        build(1,1,n);
        char s[15];
        int l,r;
        while(q--)
        {
            scanf("%s%d%d",s,&l,&r);
            if(s[0] == 'q')
            {
                printf("%lld\n",query(1,l,r));
            }
            else
            {
                modify(1,l,r);
            }
        }
    }
    return 0;
}

 

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在信号处理领域,DOA(Direction of Arrival)估计是一项关键技术,主要用于确定多个信号源到达接收阵列的方向。本文将详细探讨三种ESPRIT(Estimation of Signal Parameters via Rotational Invariance Techniques)算法在DOA估计中的实现,以及它们在MATLAB环境中的具体应用。 ESPRIT算法是由Paul Kailath等人于1986年提出的,其核心思想是利用阵列数据的旋转不变性来估计信号源的角度。这种算法相比传统的 MUSIC(Multiple Signal Classification)算法具有较低的计算复杂度,且无需进行特征值分解,因此在实际应用中颇具优势。 1. 普通ESPRIT算法 普通ESPRIT算法分为两个主要步骤:构造等效旋转不变系统和估计角度。通过空间平移(如延时)构建两个子阵列,使得它们之间的关系具有旋转不变性。然后,通过对子阵列数据进行最小二乘拟合,可以得到信号源的角频率估计,进一步转换为DOA估计。 2. 常规ESPRIT算法实现 在描述中提到的`common_esprit_method1.m`和`common_esprit_method2.m`是两种不同的普通ESPRIT算法实现。它们可能在实现细节上略有差异,比如选择子阵列的方式、参数估计的策略等。MATLAB代码通常会包含预处理步骤(如数据归一化)、子阵列构造、旋转不变性矩阵的建立、最小二乘估计等部分。通过运行这两个文件,可以比较它们在估计精度和计算效率上的异同。 3. TLS_ESPRIT算法 TLS(Total Least Squares)ESPRIT是对普通ESPRIT的优化,它考虑了数据噪声的影响,提高了估计的稳健性。在TLS_ESPRIT算法中,不假设数据噪声是高斯白噪声,而是采用总最小二乘准则来拟合数据。这使得算法在噪声环境下表现更优。`TLS_esprit.m`文件应该包含了TLS_ESPRIT算法的完整实现,包括TLS估计的步骤和旋转不变性矩阵的改进处理。 在实际应用中,选择合适的ESPRIT变体取决于系统条件,例如噪声水平、信号质量以及计算资源。通过MATLAB实现,研究者和工程师可以方便地比较不同算法的效果,并根据需要进行调整和优化。同时,这些代码也为教学和学习DOA估计提供了一个直观的平台,有助于深入理解ESPRIT算法的工作原理。
Vue树形复选框是一种常见的UI组件,可以用于展示树形结构的数据,并支持多选功能。Naive-UI是一个基于Vue的UI组件库,提供了丰富的组件和样式,可以方便地实现树形复选框功能。 下面是一个使用Naive-UI组件库实现Vue树形复选框的示例: ```vue <template> <div> <n-tree :data="treeData" :default-expanded-keys="defaultExpandedKeys" :default-checked-keys="defaultCheckedKeys" show-checkbox @check-change="handleCheckChange" ></n-tree> </div> </template> <script> import { NTree } from 'naive-ui' export default { components: { NTree }, data() { return { treeData: [ { label: 'Node 1', children: [ { label: 'Node 1-1', children: [ { label: 'Node 1-1-1' }, { label: 'Node 1-1-2' } ] }, { label: 'Node 1-2' } ] }, { label: 'Node 2', children: [ { label: 'Node 2-1' }, { label: 'Node 2-2' } ] } ], defaultExpandedKeys: ['Node 1'], defaultCheckedKeys: ['Node 1-1-1'] } }, methods: { handleCheckChange(checkedKeys) { console.log('Checked keys:', checkedKeys) } } } </script> ``` 在上面的示例中,我们使用了Naive-UI的NTree组件来展示树形数据。通过设置`data`属性传入树形数据,`default-expanded-keys`属性设置默认展开的节点,`default-checked-keys`属性设置默认选中的节点。同时,我们还设置了`show-checkbox`属性来显示复选框,并通过`check-change`事件监听复选框的变化。 你可以根据自己的需求修改`treeData`、`defaultExpandedKeys`和`defaultCheckedKeys`来适配你的数据和默认选项。
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