51nod - 1573 美丽的集合

 

多重集合是数学中的一个概念,是集合概念的推广。在一个集合中,相同的元素只能出现一次,因此只能显示出有或无的属性。在多重集之中,同一个元素可以出现多次。

我们现在有n个多重集合,第i个集合最开始都有一个元素ai(1≤i≤n)。

一个拥有n个元素的多重集合显然会有2^n个子集。

一个多重集合的价值为子集中不同的和的个数。

例如一个多重集合{1,2},那么会存在有4个不同的和{0,1,2,3}。其价值为4。

一个多重集合{2,2},那么会有3个不同的和{0,2,4},其价值为3。

现在我们有两种操作:

1、合并最开始时多重集合i现在所在的多重集合与多重集合j现在所在的多重集合,成为一个新的多重集合。

2、询问最开始多重集合i现在所在多重集合的价值。

   数据保证合并两个最开始时的多重集合所在的多重集合时它们当前不是同一个多重集合。

 

样例解释:

第一个查询的多重集合为{1},价值为2

第二个查询的多重集合为{1,1},价值为3

第三个查询的多重集合为{2,4},价值为4

 

Input

第一行一个数n,表示有n个多重集合。(1<=n<=1000)
第二行n个数ai。(Σai<=100000,ai>0)
第三行一个数Q,表示操作个数。(1<=Q<=2000)
接下来Q行,一开始读入一个数A,表示操作A。
若A为1,接下来读入两个数i和j,表示合并操作(1<=i,j<=n)。
若A为2,接下来读入一个数i,表示查询操作(1<=i<=n)。

Output

对于所有A=2的操作,输出相应的答案。

Input示例

5
1 1 2 4 5
5
2 1
1 1 2
2 2
1 3 4
2 3

Output示例

2
3
4

思路:

利用并查集来记录每次合并的结果。利用bitset来统计组合的数量,比如第i的位置有一个数3,则bitset值为1001,即有0和3两种组合,若向第i个位置再添加一个3,则首先分别计算原来的组合加上3以后的值,则将bitset值左移三位即可,即变为1001000,就是说加上3以后原来的组合变成3和6。这时再将1001000与原来的bitset值1001进行或操作得到1001001,这样就可得到所有的组合0,3和6。

#include <iostream>
#include <bitset>
#include <vector>
#include <algorithm>
using namespace std;
 
const int MAXN = 1005;
bitset<100005> a[MAXN];
vector<int> h[MAXN];
int n, Q, x, y, d, f[MAXN];
 
int getFather(int x)
{
    if (f[x] == x)
	{
		return x;
	}
    f[x] = getFather(f[x]);
 
    return f[x];
}
 
void merge(int x, int y)
{
    if (h[x].size() > h[y].size()) 
	{
		swap(x, y);
	}
 
    for (int i = 0; i < h[x].size(); i++)
	{
		h[y].push_back(h[x][i]);
		a[y] |= (a[y] << h[x][i]);
	}
 
    f[x] = y;
}
 
int main()
{
	cin >> n;
    for (int i = 1; i <= n; i++)
	{
		cin >> x;
        f[i] = i;
		a[i][0] = a[i][x] = 1;
		h[i].push_back(x);
    }
	cin >> Q;
    while (Q--)
	{
		cin >> d >> x;
		x = getFather(x);
        if (d == 1)
		{
			cin >> y;
			y = getFather(y);
            merge(x, y);
        }
		else
		{
			cout << a[x].count() << endl;
		}
    }
 
	return 0;
}

 

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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