[BZOJ1483] [HNOI2009]梦幻布丁 链表启发式合并

填了昨晚BC的坑
链表的启发式合并

合并两个链表的时间代价如果是O(l1长度)或O(l2长度)的时候选择较短的那个长度。若l1>l2,则新链表长度显然大于两倍l2。

对于任意一个元素,若合并的时候对他进行了操作,那么该元素所在链表的长度至少翻了一倍,也就是说对这个元素我们最多进行logN次操作,它就会出现在最长的链表之中。

利用这个特性,在这个题目中,把所有颜色相同的布丁用链表串起来,每次将颜色x的布丁改成颜色y的布丁,就相当于对答案减上两种颜色相邻的对数,我们只需要遍历一次链表就可以了。根据上面的结论,我们选择元素个数较少的链表遍历。最后再将两个链表首尾相接就可以了。

总时间复杂度为O(n*logn),n为元素个数,复杂度与颜色数量无关。**
#include <iostream>
#include <cstdio>
#define N 100050
#define M 1000050
using namespace std;
struct Monster{ int u,next; }e[N];
int head[M],cnt,a[N],siz[M],c[M],n,m,ans;
int main() {
    scanf("%d%d",&n,&m); ans = n;
    a[0] = -1;
    for (int i=1;i<=n;i++) {
        scanf("%d",&a[i]);
        if (a[i] == a[i-1]) ans--;
        e[++cnt].u = i;
        e[cnt].next = head[a[i]];
        head[a[i]] = cnt;
        siz[ a[i] ]++;
    }
    for (int i=1;i<=1e6;i++) c[i] = i;
    while (m--) {
        int cmd=0; scanf("%d",&cmd);
        if (cmd == 1) {
            int x,y,p; scanf("%d%d",&x,&y); if (x == y) continue;
            if (siz[c[x]] > siz[c[y]]) swap(c[x],c[y]);
            x=c[x]; y=c[y];
            if (siz[x] == 0) continue; //重要 
            for (int i=head[x];i;i=e[i].next) {
                int t=e[i].u;
                if (a[t-1]==y) ans--;
                if (a[t+1]==y) ans--;
            }
            for (int i=head[x];i;i=e[i].next) a[e[i].u]=y;
            for (int i=head[x];i;i=e[i].next) if (!e[i].next) p=i;
            e[p].next=head[y]; head[y]=head[x];
            siz[y]+=siz[x]; siz[x]=0;
        }
        if (cmd == 2) printf("%d\n",ans);
    } 
    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
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