HDU - 6621 K-th Closest Distance 主席树+二分答案

K-th Closest Distance

主席树第二波~

题意

给你\(n\)个数\(m\)个询问,问\(i\in [l,r]\)计算每一个\(|a_{i}-p|\)求出第\(k\)
题目要求强制在线\(l = l \oplus ans、r = r \oplus ans、p = p \oplus ans、k = k \oplus ans\)(ans为上次询问的答案)

思路

  • 二分答案\(ans\),找区间\(i\in[l,r], a_{i} \in [p-ans, p+ans]\)里的数量\(>= k\)
    \(|a_{i} - p | = ans\)
    \(a_{i} - p = ans、p - a_{i} = ans\)
    \(a_{i} = ans + p、a_{i} = p - ans\)
  • 用主席树维护一下就\(ok\)

    AC代码


#include <map>
#include <set>
#include <list>
#include <ctime>
#include <cmath>
#include <stack>
#include <queue>
#include <cfloat>
#include <string>
#include <vector>
#include <cstdio>
#include <bitset>
#include <cstdlib>
#include <cstring>
#include <iostream>
#include <algorithm>
#define  lowbit(x)  x & (-x)
#define  mes(a, b)  memset(a, b, sizeof a)
#define  fi         first
#define  se         second
#define  pii        pair<int, int>

typedef unsigned long long int ull;
typedef long long int ll;
const int    maxn = 1e5 + 10;
const int    maxm = 1e5 + 10;
const ll     mod  = 1e9 + 7;
const ll     INF  = 1e18 + 100;
const int    inf  = 0x3f3f3f3f;
const double pi   = acos(-1.0);
const double eps  = 1e-8;
using namespace std;

int n, m;
int cas, tol, T;
struct Node{
    int l, r, cnt;
}node[maxn*40];
int w[maxn], a[maxn];
vector<int> v;

void init(){
    v.clear();
    tol = 0;
    mes(w, 0);
}

void build(int l, int r, int rt){
    rt = ++tol;
    node[rt].cnt = 0;
    if(l == r)
        return;
    int mid = l+r>>1;
    build(l, mid, node[rt].l);
    build(mid+1, r, node[rt].r);
}

void update(int l, int r, int &x, int y, int pos){
    x = ++tol;
    node[x] = node[y];
    node[x].cnt++;
    if(l == r)
        return;
    int mid = l+r>>1;
    if(pos <= mid)
        update(l, mid, node[x].l, node[y].l, pos);
    else
        update(mid+1, r, node[x].r, node[y].r, pos);
}


int query(int L, int R, int l, int r, int x, int y){
    if(L <= l && r <= R)
        return node[y].cnt - node[x].cnt;
    int mid = l+r>>1, ans = 0;
    if(L <= mid)
        ans += query(L, R, l, mid, node[x].l, node[y].l);
    if(R > mid)
        ans += query(L, R, mid+1, r, node[x].r, node[y].r);
    return ans;
}

int getid(int x){
    return lower_bound(v.begin(), v.end(), x) - v.begin()+1;
}
int getid_(int x){
    return upper_bound(v.begin(), v.end(), x) - v.begin()+1;
}

int main() {
    scanf("%d", &T);
    while(T--){
        scanf("%d%d", &n, &m);
        init();
        for(int i = 1; i <= n; i++){
            scanf("%d", &a[i]);
            v.push_back(a[i]);
        }
        sort(v.begin(), v.end());
        v.erase(unique(v.begin(), v.end()), v.end());
        int len = v.size()+1;
        build(1, len, 1);
        for(int i = 1; i <= n; i++)
            update(1, n, w[i], w[i-1], getid(a[i]));
        int ans = 0;
        while(m--){
            int L, R, p, k;
            scanf("%d%d%d%d", &L, &R, &p, &k);
            L ^= ans; R ^= ans; p^= ans;k ^= ans;   //要记得^
            int l = 0, r = 1e6;
            while(l <= r){
                int mid = (l+r)>>1;
                int sum = query(getid(p-mid), getid_(p+mid)-1, 1, n, w[L-1], w[R]);     //第一个getid和第二个不一样
                if(sum >= k){
                    ans = mid;
                    r = mid-1;
                }
                else
                    l = mid+1;
            }
            printf("%d\n", ans);
        }
    }
    return 0;
}

转载于:https://www.cnblogs.com/zhuyou/p/11291729.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