【NOIP2016提高A组五校联考4】ksum

2 篇文章 0 订阅

题目

这里写图片描述

分析

发现,当子段[l,r]被取了出来,那么[l-1,r]、[l,r+1]一定也被取了出来。
那么,首先将[1,n]放入大顶堆,每次将堆顶的子段[l,r]取出来,因为它是堆顶,所以一定是最大的子段,输出它,并将[l+1,r]和[l,r-1]放进堆中。
一共就只用做k次就可以了。

#include <cmath>
#include <iostream>
#include <cstdio>
#include <cstdlib>
#include <cstring>
#include <algorithm>
#include <queue>
const int maxlongint=2147483647;
const int mo=1000000007;
const int N=100005;
using namespace std;
long long n,m,a[N],sum[N],t[N*3][3],tot=1;
int swap(int x,int y,int z)
{
    t[x][z]=t[x][z]^t[y][z];
    t[y][z]=t[x][z]^t[y][z];
    t[x][z]=t[x][z]^t[y][z];
}
int up(int x)
{
    while(t[x][2]>t[x/2][2] && x!=1)
    {
        for(int i=0;i<=2;i++)
            swap(x,x/2,i);
        x/=2;
    }
}
int down(int x)
{
    int s=x*2,s1=x*2+1;
    while((t[x][2]<t[s][2] || t[x][2]<t[s1][2]) && s<=tot)
    {
        if(t[x][2]>t[s][2] && s1>tot) break;
        if(t[s][2]>t[s1][2])
        {
            for(int i=0;i<=2;i++)
                swap(x,s,i);
            x=s;
        }
        else
        if(s1<=tot)
        {
            for(int i=0;i<=2;i++)
                swap(x,s1,i);
            x=s1;
        }
        s=x*2,s1=x*2+1;
    }
}
int insert(int x,int y)
{
    t[++tot][0]=y;
    t[tot][1]=x;
    t[tot][2]=sum[x]-sum[y-1];
    up(tot);
}
int cut()
{
    t[1][0]=t[tot][0];
    t[1][1]=t[tot][1];
    t[1][2]=t[tot--][2];
    t[tot+1][0]=t[tot+1][1]=t[tot+1][2]=0;
    down(1);
}
int main()
{
    scanf("%lld%lld",&n,&m);
    for(int i=1;i<=n;i++)
    {
        scanf("%lld",&a[i]);
        sum[i]=sum[i-1]+a[i];
    }
    tot=1;
    t[tot][0]=1;
    t[tot][1]=n;
    t[tot][2]=sum[n]-sum[0];
    while(m--)
    {
        printf("%lld ",t[1][2]);
        int x=t[1][1],y=t[1][0]+1,x1=t[1][1]-1,y1=t[1][0];
        cut();
        if(x==n) if(x>=y) if(y<=n) insert(x,y);
        if(x1>=y1) if(x1>=1) insert(x1,y1);
    }
}
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