51nod1885 区间和2 [二分+尺取]

区 间 和 2 区间和2 2



正 解 部 分 \color{red}{正解部分}

题目要求的是 ∑ i = L R B i \sum\limits_{i=L}^R B_i i=LRBi, 转化为求 ∑ i = 1 R B i − ∑ i = 1 L − 1 B i \sum\limits_{i=1}^R B_i-\sum\limits_{i=1}^{L-1} B_i i=1RBii=1L1Bi,
求前 K K K 小所有区间的前缀和 .

怎么求前 K K K 小区间的和呢 ? 首先找出所有区间再去找第前 K K K个区间 是不可行的, 考虑二分答案,

先二分出 m i d mid mid, 转化为 判断是否有 K K K个区间比 m i d mid mid,
考虑怎么枚举区间, 有哪些算法可以快速地求出 符合某些条件的区间的个数 ? ? ?

尺取可以快速地求出符合条件的区间个数, 使用 尺取 统计 A A A 数列中有多少子段是 ≤ m i d \le mid mid 的, 设为 n u m num num,

  • n u m &lt; K num &lt; K num<K, 说明 m i d mid mid 小了 .
  • n u m = K num = K num=K, 理想情况, 表示正好找到了 .
  • n u m &gt; K num &gt; K num>K, 此时注意, 可能去掉一些权值等于 m i d mid mid 的区间就可以使得 n u m = m i d num = mid num=mid 了, 否则说明 m i d mid mid 大了 .

这里说明一下为什么可以尺取, 因为对每个左端点, 右端点往右移产生的新区间的和满足单调递增, 又因为有界限存在, 所以可以不重不漏地照顾到所有满足条件的区间.

但若出现负数, 就不可以这么做了, 这道题 就是一个例子 .


实 现 部 分 \color{red}{实现部分}

注意询问中的 L , R L,R L,R 由于区间的数量是 N 2 N^2 N2 级别的, 所以要开 l o n g   l o n g long\ long long long .

#include<bits/stdc++.h>
#define reg register
typedef long long ll;

const int maxn = 200005;

int N;
int Q;
int A[maxn];
int sum[maxn];

int chk(int mid, ll K, ll &tmp){
        int t = 1, cnt_e = 0;
        ll res = 0, cur_sum = 0, cnt = 0;
        for(reg int i = 1; i <= N; i ++){
                while(t <= N && sum[t]-sum[i-1] <= mid) cur_sum += sum[t ++];
                cnt += t - i;
                if(sum[t-1]-sum[i-1] == mid) cnt_e ++;
                res += cur_sum - (1ll*t-i)*sum[i-1];
                cur_sum -= sum[i];
        }
        tmp = res;
        if(cnt < K) return 1;		// mid 太小 
        else if(cnt-cnt_e < K){ tmp -= (cnt-K)*mid; return 1; }
        return 0;
}

ll Calc(ll x){
        int l = 1, r = sum[N];
        ll res = 0;
        while(l <= r){
                int mid = l+r >> 1;
                ll tmp = 0;
                if(chk(mid, x, tmp)) res = tmp, l = mid + 1;
                else r = mid - 1;
        }
        return res;
}

void Work(){ 
        scanf("%d%d", &N, &Q);
		for(reg int i = 1; i <= N; i ++) scanf("%d", &A[i]);
		for(reg int i = 1; i <= N; i ++) sum[i] = sum[i-1] + A[i];
        while(Q --){
                ll L, R;
                scanf("%lld%lld", &L, &R);
                printf("%lld\n", Calc(R) - Calc(L-1));
        }
}

int main(){
		int T;
    	scanf("%d", &T);
    	while(T --) Work();
		return 0;
}
【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
本项目是一个基于SSM(Spring+SpringMVC+MyBatis)框架和Vue.js前端技术的二手手机回收平台系统。该系统旨在为二手手机回收提供一个便捷、高效的在线交易平台,同时确保交易的安全性和透明度。 在后台管理方面,系统提供了用户管理、商品管理、订单管理以及数据统计等功能。通过这些功能,管理员能够轻松地管理平台上的用户信息、审核商品发布、跟踪订单状态,并对平台的运营数据进行详细的分析。 在前端展示上,系统采用了Vue.js框架,实现了响应式的用户界面设计。用户可以通过直观的界面浏览商品、发布自己的二手手机信息、下订单以及查看交易记录。此外,系统还提供了搜索和筛选功能,帮助用户快速找到符合自己需求的商品。 技术实现上,后端使用了Java语言,结合Spring框架进行依赖注入和事务管理,SpringMVC负责处理Web请求,而MyBatis则用于数据库操作。前端则使用Vue.js进行页面渲染和交互逻辑处理,搭配Axios进行异步数据请求。 本项目的数据库设计充分考虑了数据的完整性和安全性,采用了关系型数据库MySQL进行数据存储。数据库表结构包括用户表、商品表、订单表等,确保了系统的高效运行和数据的一致性。 对于正在进行毕业设计的学生或需要项目实战练习的Java学习者来说,本项目提供了一个完整的技术栈和业务逻辑实现,可以作为学习和实践的良好参考。
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