【XSY2414】【CF587C】Duff in the Army(倍增lca)

看到题目中 a < = 0 a<=0 a<=0,自然就想到用暴力维护这个东东。

设倍增数组 f a [ u ] [ i ] fa[u][i] fa[u][i] m i n n [ u ] [ i ] minn[u][i] minn[u][i],其中 m i n n minn minn存的是一个结构体,结构体中包含两个东东:一个数组和这个数组中的元素个数。

f a [ u ] [ i ] fa[u][i] fa[u][i]表示啥我就不说了, m i n n [ u ] [ i ] minn[u][i] minn[u][i]表示从 u u u f a [ u ] [ i ] fa[u][i] fa[u][i](即 u u u i i i倍祖先)中前 10 10 10小的值。

合并就暴力合并,每次看哪个小就加哪个,查找就按 l c a lca lca的方式查找。

说实话挺暴力的

最后的代码+注释如下:

#include<bits/stdc++.h>
 
#define N 100010
#define A 15
#define K 20
#define INF 0x7fffffff
 
using namespace std;
 
struct data
{
    int tot,num[A];
    void init()
    {
        for(int i=1;i<=11;i++)
            num[i]=INF;
    }
    void add(int x)
    {
        if(tot==10)
            return;
        num[++tot]=x;//为啥add时不用排序?因为主程序中插入时就是有序的
    }
}t[N],minn[N][K],none;
 
int n,m,q;
int cnt,head[N],nxt[N<<1],to[N<<1];
int fa[N][K],d[N];
 
void adde(int u,int v)
{
    to[++cnt]=v;
    nxt[cnt]=head[u];
    head[u]=cnt;
}
 
data merge(data a,data b,int t=10)//暴力merge
{
    data c=none;
    int x=1,y=1;
    while(x<=a.tot&&y<=b.tot&&c.tot<t)
    {
        if(a.num[x]<b.num[y])c.num[++c.tot]=a.num[x++];
        else c.num[++c.tot]=b.num[y++];
    }
    while(x<=a.tot&&c.tot<t)
        c.num[++c.tot]=a.num[x++];
    while(y<=b.tot&&c.tot<t)
        c.num[++c.tot]=b.num[y++];
    return c;
}
 
void dfs(int u)
{
    for(int i=1;i<=17;i++)//合并倍增数组
    {
        fa[u][i]=fa[fa[u][i-1]][i-1];
        minn[u][i]=merge(minn[u][i-1],minn[fa[u][i-1]][i-1]);
    }
    for(int i=head[u];i;i=nxt[i])
    {
        if(to[i]!=fa[u][0])
        {
            d[to[i]]=d[u]+1;
            fa[to[i]][0]=u;
            minn[to[i]][0]=t[u];
            dfs(to[i]);
        }
    }
}
 
data lca(int a,int b,int x)
{
    data ans=none;
    if(d[a]<d[b])swap(a,b);
    ans=merge(ans,t[a],x);
    for(int i=17;i>=0;i--)
        if(d[a]-(1<<i)>=d[b])
            ans=merge(ans,minn[a][i],x),a=fa[a][i];
    if(a==b)
        return ans;
    ans=merge(ans,t[b],x);
    for(int i=17;i>=0;i--)
    {
        if(fa[a][i]!=fa[b][i])
        {
            ans=merge(ans,merge(minn[a][i],minn[b][i],x),x);
            a=fa[a][i],b=fa[b][i];
        }
    }
    ans=merge(ans,minn[a][0],x);
    return ans;
}
 
int main()
{
    none.init();
    scanf("%d%d%d",&n,&m,&q);
    for(int i=1;i<=n;i++)
        t[i].init();
    for(int i=1;i<n;i++)
    {
        int u,v;
        scanf("%d%d",&u,&v);
        adde(u,v),adde(v,u);
    }
    for(int i=1;i<=m;i++)
    {
        int c;
        scanf("%d",&c);
        t[c].add(i);
    }
    dfs(1);
    while(q--)
    {
        int u,v,a;
        scanf("%d%d%d",&u,&v,&a);
        data t=lca(u,v,a);
        if(t.tot)
        {
            printf("%d ",t.tot);
            for(int i=1;i<=t.tot;i++)
                printf("%d ",t.num[i]);
            puts("");
        }
        else
            puts("0");
    }
    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