BZOJ 3224:Tyvj 1728 普通平衡树

都是平衡树的基本操作
爱splay的spaly
爱treap的terap
我刚学了替罪羊树来练练。。
插入及子树的重构看这篇BZOJ 1588:[HNOI2002]营业额统计
删除操作:先找到节点位置,然后如果该点只有一个儿子,就直接用其儿子替换改点,否则找到其前驱替换该点,然后删除其前驱
注意如果删了总树的根要记得改rt的值
(我个人喜欢删除后也判断是否重构,然而有神犇不这样干,我也不知我是不是画蛇添足。。)
mdzz 一开始 if 里只打了一个等于狂T+WA半小时
今天BZOJ抽了所以就交了tyvj,为了拿数据还创了个小号。。。
事实证明,替罪羊树只用了 200MS+ 的时间而某神犇的treap用了 800MS+ ,快的飞起。。 (怒艹神犇代码感觉真爽)
为了不跌rp赶紧orzorzorzorzorzorz%%%%%%%
然而想我这样制杖的错误也没谁了
其他的操作和其他的平衡树差不多。。就不一一赘述了


#include<cstdio>
#include<cstring>
#include<cmath>
#include<algorithm>
#define g getchar()
#define ll long long
#define inf 0x3f3f3f3f
using namespace std;
inline ll read(){
    ll x=0,f=1;char ch=g;
    for(;ch<'0'||ch>'9';ch=g)if(ch=='-')f=-1;
    for(;ch>='0'&&ch<='9';ch=g)x=x*10+ch-'0';
    return x*f;
}
inline void out(ll x){
    int a[25],t=0;
    if(x<0)putchar('-'),x=-x;
    for(;x;x/=10)a[++t]=x%10;
    for(int i=t;i;--i)putchar('0'+a[i]);
    if(t==0)putchar('0');
    putchar('\n');
}
int sz,size[100005],v[100005],fa[100005],t[100005][2],id,top,q[100005],rt,ans,n;
void ins(int &k,int x,int f){
    if(!k){k=++sz;v[k]=x;size[k]=1;fa[k]=f;return;}
    if(x<=v[k])ins(t[k][0],x,k);else ins(t[k][1],x,k);
    if(size[k]>=2&&max(size[t[k][0]],size[t[k][1]])>size[k]*0.7)id=k;
    size[k]=size[t[k][0]]+size[t[k][1]]+1;
}
void dfs(int x){
    if(!x)return;
    dfs(t[x][0]);
    q[++top]=x;
    dfs(t[x][1]);
}
void build(int &k,int l,int r){
    if(l>r)return;
    int mid=(l+r)>>1;
    k=q[mid];
    build(t[k][0],l,mid-1);
    build(t[k][1],mid+1,r);
    fa[t[k][0]]=fa[t[k][1]]=k;
    size[k]=size[t[k][0]]+size[t[k][1]]+1;
}
void re_build(int x){
    dfs(x);int pre=fa[x];
    for(int i=1;i<=top;++i)t[q[i]][0]=t[q[i]][1]=fa[q[i]]=size[q[i]]=0;
    if(!pre)build(rt,1,top);
    else if(t[pre][0]==x)build(t[pre][0],1,top);else build(t[pre][1],1,top);
    fa[t[pre][0]]=fa[t[pre][1]]=pre;
    top=id=0;
}
void erase(int x){
    if(t[x][1]&&t[x][0]){
        int tpp=t[x][0];
        for(;t[tpp][1];tpp=t[tpp][1]);
        v[x]=v[tpp];x=tpp;
    }
    int son=(t[x][1])?t[x][1]:t[x][0],lorr=t[fa[x]][1]==x;
    t[fa[x]][lorr]=son;fa[son]=fa[x];
    for(int i=fa[x];i;i=fa[i]){
        size[i]--;
        if(size[i]>=3)if(max(size[t[i][1]],size[t[i][0]])>size[i]*0.7)id=i;
    }
    if(rt==x)rt=son;
}//删除
void ask_rank(int k,int x,int now){
    if(!k)return;
    if(v[k]==x){ans=now+size[t[k][0]]+1;ask_rank(t[k][0],x,now);}
    else if(v[k]>x)ask_rank(t[k][0],x,now);
    else ask_rank(t[k][1],x,now+size[t[k][0]]+1);
}
void ask_num(int k,int rnk){
    if(!k)return;
    if(rnk==size[t[k][0]]+1){ans=v[k];return;}
    if(rnk<=size[t[k][0]])ask_num(t[k][0],rnk);
    else ask_num(t[k][1],rnk-1-size[t[k][0]]);
}
void lower(int k,int x){
    if(!k)return;
    if(x>v[k])ans=v[k],lower(t[k][1],x);else lower(t[k][0],x);
}
void higher(int k,int x){
    if(!k)return;
    if(x<v[k])ans=v[k],higher(t[k][0],x);else higher(t[k][1],x);
}
int find(int k,int x){
    if(x==v[k])return k;
    return x<v[k]?find(t[k][0],x):find(t[k][1],x);
}
int main(){
//  freopen("1.in","r",stdin);
//  freopen("","w",stdout);
    n=read();
    for(int i=1;i<=n;++i){
        int opt=read(),x=read();
        switch(opt){
            case 1:ins(rt,x,0);if(id)re_build(id);break;
            case 2:erase(find(rt,x));if(id)re_build(id);break;
            case 3:ask_rank(rt,x,0);out(ans);break;
            case 4:ask_num(rt,x);out(ans);break;
            case 5:lower(rt,x);out(ans);break;
            case 6:higher(rt,x);out(ans);break;
        }
    }
    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 5
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