[2016北京集训测试赛15]statement-[线段树+拆环]

Description

Solution

由于题目要求,将a[i]->b[i](边权为i)后所得的图应该是由森林和环套树组合而成。

假如是树形结构,所有的t[i]就直接在线段树t[i]点的dfs序(即in[t[i]],out[t[i]]区间)处记录t[i]点的深度。

这样,针对所有的f[i],在线段树上查找所有包含in[f[i]]点的区间所记录的最大深度d。(这个深度就是在离f[i]最近并且已经验证了是真命题的祖先的深度)

然后用倍增算出f[i]向上到深度d,所经过的编号最大值c。ans=min(ans,c)。

原因:ans是指,图中存在a[i]->b[i](1<=i<=ans)时该询问刚好出现矛盾。如果ans-=1,则所有的f[i]都无法到达离它最近的并且已经验证了是真命题的祖先点。

 

环套树结构:我们把环拆成树

其中Ca->Cb的边权还是a->b边的边权。以此类推其他都是这样。(原本环套树上以a,b,c,d,e为根的树还是以a,b,c,d,e为根)如此,假如说t[i]在环上,我们除了在in[t[i]],out[t[i]]区间记录t[i]点的深度,还要在in[C(t[i])],out[C(t[i])]区间记录C(t[i])点的深度。这样,不论是原本以t[i]为根的子树,还是环上的以其他点为根的树的信息都可以更新完毕。

Code

#include<iostream>
#include<cstdio>
#include<cstring>
#include<cmath>
using namespace std;
const int N=2e5+10;
int n,_n,m,Q,a,b;
int fa1[N<<1],val[N<<1],cir[N];
int tag[N];//0-not_visit 1-tag the stack 2-out the stack
int rt[N],cnt;
 
int y[N<<1],nxt[N<<1],h[N<<1],tot;
void link(int _x,int _y){y[++tot]=_y;nxt[tot]=h[_x];h[_x]=tot;}
void build(int u)
{
    if (!fa1[u]){rt[++cnt]=u;tag[u]=2;return;}
    if (tag[fa1[u]]==1)
    {
        int x=u;
        for(int t=fa1[x];t!=u;t=fa1[t])
        {
            cir[t]=++n;val[n]=val[t];link(n,x);
            fa1[x]=n;x=fa1[x];
        }
        cir[u]=++n;link(n,x);rt[++cnt]=n;
        tag[u]=2;
        return;
    }
    tag[u]=1;
    if (!tag[fa1[u]]) build(fa1[u]);link(fa1[u],u);
    tag[u]=2;
}
int dfn,in[N<<1],out[N<<1],dep[N<<1],fa[N<<1][20],mxe[N<<1][20];
void dfs(int x)
{
    in[x]=++dfn;mxe[x][0]=val[x];dep[x]=dep[fa[x][0]]+1;
    for (int i=1;i<=19;i++) 
    {
        fa[x][i]=fa[fa[x][i-1]][i-1];
        mxe[x][i]=max(mxe[x][i-1],mxe[fa[x][i-1]][i-1]);
    }
    for (int i=h[x];i;i=nxt[i]) fa[y[i]][0]=x,dfs(y[i]);
    out[x]=dfn;
}
int cur[N<<3],mxd[N<<3];
void modify(int k,int l,int r,int askx,int asky,int d)
{
    if (askx<=l&&r<=asky){if (Q<cur[k]||mxd[k]<d) cur[k]=Q,mxd[k]=d;return;}
    int mid=(l+r)/2;
    if (askx<=mid) modify(k<<1,l,mid,askx,asky,d);
    if (asky>mid) modify(k<<1|1,mid+1,r,askx,asky,d);
}
int query(int k,int l,int r,int x)
{
    int mid=(l+r)/2,re=cur[k]==Q?mxd[k]:0;
    if (l==r) return re;
    if (x<=mid) re=max(re,query(k<<1,l,mid,x));else re=max(re,query(k<<1|1,mid+1,r,x));
    return re;
}
int t,f,ret,ref;
int main()
{
    scanf("%d%d",&n,&m);_n=n;
    for (int i=1;i<=m;i++) {scanf("%d%d",&a,&b);fa1[b]=a;val[b]=i;}
    for (int i=1;i<=_n;i++) if (!tag[i]) build(i);
    for (int i=1;i<=cnt;i++) dfs(rt[i]);
    scanf("%d",&Q);
    while (Q--)
    {
        scanf("%d",&ret);
        for (int i=1;i<=ret;i++) 
        {
            scanf("%d",&t),modify(1,1,n,in[t],out[t],dep[t]);
            if (cir[t]) modify(1,1,n,in[cir[t]],out[cir[t]],dep[cir[t]]);
        }
        int ans=m+1,d,c;
        scanf("%d",&ref);
        for (int i=1;i<=ref;i++) 
        {
            scanf("%d",&f);
            d=query(1,1,n,in[f]);c=0;
            if (d==0) continue;else d=dep[f]-d;
            for(int j=0;d;d>>=1,j++) 
            if (d&1) c=max(c,mxe[f][j]),f=fa[f][j];
            ans=min(ans,c);
        }
        if (ans==m+1) printf("OK\n");else printf("%d\n",ans);
    }
}

 

转载于:https://www.cnblogs.com/coco-night/p/9715571.html

  • 0
    点赞
  • 0
    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
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
健身国际俱乐部系统是一种专为健身俱乐部设计的管理软件,它通过集成多种功能来提高俱乐部的运营效率和服务质量。这类系统通常包含以下几个核心模块: 1. **会员管理**:系统能够记录会员的基本信息、会籍状态、健身历史和偏好,以及会员卡的使用情况。通过会员管理,俱乐部可以更好地了解会员需求,提供个性化服务,并提高会员满意度和忠诚度。 2. **课程预约**:会员可以通过系统预约健身课程,系统会提供课程时间、教练、地点等详细信息,并允许会员根据个人时间表进行预约。这有助于俱乐部合理安排课程,避免资源浪费。 3. **教练管理**:系统可以管理教练的个人信息、课程安排、会员反馈等,帮助俱乐部评估教练表现,优化教练团队。 4. **财务管理**:包括会员卡销售、课程费用、私教费用等财务活动的记录和管理,确保俱乐部的财务透明度和准确性。 5. **库存管理**:对于俱乐部内的商品销售,如健身装备、营养补充品等,系统能够进行库存管理,包括进货、销售、库存盘点等。 6. **数据分析**:系统能够收集和分析会员活动数据,为俱乐部提供业务洞察,帮助俱乐部制定更有效的营销策略和业务决策。 7. **在线互动**:一些系统还提供在线平台,让会员可以查看课程、预约私教、参与社区讨论等,增强会员之间的互动和俱乐部的社区感。 8. **移动应用**:随着移动设备的普及,一些健身俱乐部系统还提供移动应用,方便会员随时随地管理自己的健身计划。 9. **安全性**:系统会确保所有会员信息的安全,采取适当的数据加密和安全措施,保护会员隐私。 10. **可扩展性**:随着俱乐部业务的扩展,系统应该能够轻松添加新的功能和服务,以适应不断变化的市场需求。 健身国际俱乐部系统的选择和实施,需要考虑俱乐部的具体需求、预算和技术能力,以确保系统能够有效地支持俱乐部的运营和发展。通过这些系统的实施,健身俱乐部能够提供更加专业和高效的服务,吸引和保留更多的会员,从而在竞争激烈的
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