BZOJ1036 [ZJOI2008]树的统计Count

树链剖分裸题。
题目链接

#include<iostream>
#include<cstdio>
#include<cstring>
#include<cmath>
#include<algorithm>
#define N 30500
using namespace std;
int n,tot,lable,Next[N*2],head[N*2],tree[N*2],a[N],m,fa[N],dep[N],son[N],size[N],tid[N],number[N];
int top[N],Max[N*8],sum[N*8];
bool visit[N];
void add(int x,int y)
{
    tot++;
    Next[tot]=head[x];
    head[x]=tot;
    tree[tot]=y;
}
void dfs(int x,int depth,int father)
{
    visit[x]=true;fa[x]=father;dep[x]=depth;son[x]=0;size[x]=1;
    int maxsize=0;
    for (int i=head[x];i;i=Next[i])
    if (!visit[tree[i]])
    {
        dfs(tree[i],depth+1,x);
        size[x]+=size[tree[i]];
        if (size[tree[i]]>maxsize)
        {
            maxsize=size[tree[i]];
            son[x]=tree[i];
        }
    }
}
void dfs1(int x,int ancestor)
{
    visit[x]=true;tid[x]=++lable;number[lable]=x;top[x]=ancestor;
    if (son[x]!=0) dfs1(son[x],ancestor);
    for (int i=head[x];i;i=Next[i])
        if (!visit[tree[i]]) dfs1(tree[i],tree[i]);
}
void up(int x)
{
    Max[x]=max(Max[x*2],Max[x*2+1]);
    sum[x]=sum[x*2]+sum[x*2+1];
}
void build(int l,int r,int id)
{
    Max[id]=-1<<29;sum[id]=0;
    if (l==r)
    {
        Max[id]=sum[id]=a[number[l]];
        return;
    }
    int mid=(l+r)/2;
    build(l,mid,id*2);
    build(mid+1,r,id*2+1);
    up(id);
}
void change(int x,int l,int r,int id,int d)
{
    if (l>x||r<x) return;
    if (l==r&&l==x) 
    {
        Max[id]=sum[id]=d;
        return;
    }
    int mid=(l+r)/2;
    change(x,l,mid,id*2,d);
    change(x,mid+1,r,id*2+1,d);
    up(id);
}
int query(int x,int y,int id,int l,int r,int q)
{
    if (l>y||r<x) 
    {
        if (q==0) return -1<<29;else return 0;
    }
    if (x<=l&&r<=y) 
    {
        if (q==0) return Max[id];else return sum[id];
    }
    int mid=(l+r)/2;
    if (q==0) return max(query(x,y,id*2,l,mid,q),query(x,y,id*2+1,mid+1,r,q));
        else return query(x,y,id*2,l,mid,q)+query(x,y,id*2+1,mid+1,r,q);
    up(id);
}
int Query(int x,int y,int q)
{
    int ans;
    if (q==0) ans=-1<<29;else ans=0;
    while (top[x]!=top[y])
    {
        if (dep[top[x]]<dep[top[y]]) swap(x,y);
        if (q==0) ans=max(ans,query(tid[top[x]],tid[x],1,1,n,0));
            else ans+=query(tid[top[x]],tid[x],1,1,n,1);
        x=fa[top[x]];
    }
    if (dep[x]>dep[y]) swap(x,y);
    if (q==0) ans=max(ans,query(tid[x],tid[y],1,1,n,0));
            else ans+=query(tid[x],tid[y],1,1,n,1);
    return ans;
}
int main()
{
    scanf("%d",&n);
    tot=lable=0;
    for (int i=1;i<n;i++)
    {
        int x,y;
        scanf("%d%d",&x,&y);
        add(x,y);add(y,x);
    }
    for (int i=1;i<=n;i++) scanf("%d",&a[i]);
    scanf("%d",&m);
    for (int i=1;i<=n;i++) visit[i]=false;
    dfs(1,1,0);
    for (int i=1;i<=n;i++) visit[i]=false;
    dfs1(1,1);
    build(1,n,1);
    char s[100];
    for (int i=1;i<=m;i++)
    {
        int x,y;
        scanf("%s%d%d",s,&x,&y);
        if (s[0]=='C') change(tid[x],1,n,1,y);
        if (s[1]=='M') printf("%d\n",Query(x,y,0));
        if (s[1]=='S') printf("%d\n",Query(x,y,1));
    }
    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