【BZOJ2770】YY的Treap 结论+线段树

【BZOJ2770】YY的Treap

Description

志向远大的YY小朋友在学完快速排序之后决定学习平衡树,左思右想再加上SY的教唆,YY决定学习Treap。友爱教教父SY如砍瓜切菜般教会了YY小朋友Treap(一种平衡树,通过对每个节点随机分配一个priority,同时保证这棵平衡树关于priority是一个小根堆以保证效率)。这时候不怎么友爱的510跑了出来,他问了YY小朋友一个极不和谐的问题:怎么求Treap中两个点之间的路径长度。YY秒了之后决定把这个问题交给你来做,但只要求出树中两点的LCA。

Input

第一行两个整数n,m

第二行n个整数表示每个元素的key

第三行n个整数表示每个元素的priority

接下m行,每行一条命令

I A B,插入一个元素,key为A, priority为B

D A,删除一个元素,key为A

Q A B,询问key分别为A和B的LCA的key

Output

对于每个Q输出一个整数。

Sample Input

2 2
1 2
4 5
Q 1 2
I 3 3

Sample Output

1

HINT

数据保证n<=10^5,m<=3*10^5

其余整数均不超过long的范围

数据保证任意时刻树中key和priority均不相同

题解:上来的第一直觉就是猜结论:Treap中a和b的LCA就是key值在a,b之间的,priority最小的点。一开始还想了想怎么证,后来发现这么显然的结论还用证~

#include <cstdio>
#include <cstring>
#include <iostream>
#include <algorithm>
#define lson x<<1
#define rson x<<1|1
using namespace std;
typedef long long ll;
const int maxn=400010;
int n,m,nm,tot;
int s[maxn<<2];
int op[maxn],pa[maxn];
ll pr[maxn],pb[maxn],ref[maxn],v[maxn];
char str[10];
struct node
{
	ll val;
	int org;
}p[maxn<<1];
inline int MN(int a,int b)
{
	return v[a]<v[b]?a:b;
}
bool cmp(const node &a,const node &b)
{
	return a.val<b.val;
}
void build(int l,int r,int x)
{
	if(l==r)
	{
		s[x]=l;
		return ;
	}
	int mid=(l+r)>>1;
	build(l,mid,lson),build(mid+1,r,rson);
	s[x]=MN(s[lson],s[rson]);
}
void updata(int l,int r,int x,int y)
{
	if(l==r)	return ;
	int mid=(l+r)>>1;
	if(y<=mid)	updata(l,mid,lson,y);
	else	updata(mid+1,r,rson,y);
	s[x]=MN(s[lson],s[rson]);
}
int query(int l,int r,int x,int a,int b)
{
	if(a<=l&&r<=b)	return s[x];
	int mid=(l+r)>>1;
	if(b<=mid)	return query(l,mid,lson,a,b);
	if(a>mid)	return query(mid+1,r,rson,a,b);
	return MN(query(l,mid,lson,a,b),query(mid+1,r,rson,a,b));
}
inline ll rd()
{
	ll ret=0,f=1;	char gc=getchar();
	while(gc<'0'||gc>'9')	{if(gc=='-')f=-f;	gc=getchar();}
	while(gc>='0'&&gc<='9')	ret=ret*10+gc-'0',gc=getchar();
	return ret*f;
}
int main()
{
	n=rd(),m=rd();
	int i;
	for(i=1;i<=n;i++)	p[++tot].val=rd(),p[tot].org=i;
	for(i=1;i<=n;i++)	pr[i]=rd();
	for(i=1;i<=m;i++)
	{
		scanf("%s",str);
		if(str[0]=='I')	op[i]=0,p[++tot].val=rd(),p[tot].org=i+n,pb[i]=rd();
		if(str[0]=='D')	op[i]=1,p[++tot].val=rd(),p[tot].org=i+n;
		if(str[0]=='Q')	op[i]=2,p[++tot].val=rd(),p[tot].org=i+n,p[++tot].val=rd(),p[tot].org=i+n;
	}
	sort(p+1,p+tot+1,cmp);
	ref[0]=-1ll<<60;
	for(i=1;i<=tot;i++)
	{
		if(p[i].val>ref[nm])	ref[++nm]=p[i].val,v[nm]=1ll<<60;
		if(p[i].org<=n)	v[nm]=pr[p[i].org];
		else
		{
			p[i].org-=n;
			if(op[p[i].org]==0)	pa[p[i].org]=nm;
			if(op[p[i].org]==1)	pa[p[i].org]=nm;
			if(op[p[i].org]==2)
			{
				if(!pa[p[i].org])	pa[p[i].org]=nm;
				else	pb[p[i].org]=nm;
			}
		}
	}
	build(1,nm,1);
	for(i=1;i<=m;i++)
	{
		if(op[i]==0)	v[pa[i]]=pb[i],updata(1,nm,1,pa[i]);
		if(op[i]==1)	v[pa[i]]=1ll<<60,updata(1,nm,1,pa[i]);
		if(op[i]==2)	printf("%lld\n",ref[query(1,nm,1,pa[i],pb[i])]);
	}
	return 0;
}

转载于:https://www.cnblogs.com/CQzhangyu/p/7559956.html

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