bzoj 4569: [Scoi2016]萌萌哒

一种会T的做法:
发现并查集加边只会发生n-1次,所以只要一个较小的复杂度完成这n-1次加边即可
启发式合并维护并查集,每次暴力修改所有属于小区间的fa值,用vector记录每个连通块内的数,暴力在线段树内修改hash值,复杂度logn,需要进行nlogn次
线段树上hash把所有的fa hash起来,然后二分找位置,每次寻找log^2,需要进行On次
    
    
#include<cstdio>
#include<cstdlib>
#include<cstring>
#include<algorithm>
#include<vector>
#define ll long long
#define unl unsigned long long
#define inf 1e9
#define eps 1e-8
#define md 1000000007
#define N 100010
using namespace std;
unl tmp[4*N],mi[N],ha[4*N];
int fa[N];
int lx[4*N],rx[4*N];
vector<int> vec[N];
const unl cheng=23333333;
void build(int i,int l,int r)
{
tmp[i]=mi[r-l+1]; lx[i]=l; rx[i]=r;
if (l==r) { ha[i]=fa[l]; return;}
int mid=(l+r)>>1;
build(i<<1,l,mid); build(i<<1|1,mid+1,r);
ha[i]=ha[i<<1]*tmp[i<<1]+ha[i<<1|1];
}
 
void modify(int i,int x)
{
if (lx[i]==rx[i]) { ha[i]=fa[x]; return;}
int mid=(lx[i]+rx[i])>>1;
if (x<=mid) modify(i<<1,x); else modify(i<<1|1,x);
ha[i]=ha[i<<1]*tmp[i<<1]+ha[i<<1|1];
}
 
unl query(int i,int ql,int qr)
{
if (ql<=lx[i]&&rx[i]<=qr) return ha[i];
int mid=(lx[i]+rx[i])>>1;
if (qr<=mid) return query(i<<1,ql,qr);
if (mid+1<=ql) return query(i<<1|1,ql,qr);
return query(i<<1,ql,mid)*mi[mid-ql+1]+query(i<<1|1,mid+1,qr);
}
 
int main()
{
int n,m;
scanf("%d%d",&n,&m);
for (int i=1;i<=n;i++) { fa[i]=i; vec[i].push_back(i);}
mi[0]=1; for (int i=1;i<=n;i++) mi[i]=mi[i-1]*cheng;
build(1,1,n);
for (int i=1;i<=m;i++)
{
int l1,r1,l2,r2;
scanf("%d%d%d%d",&l1,&r1,&l2,&r2);
while (query(1,l1,r1)!=query(1,l2,r2))
{
int L=0,R=r1-l1;
while (L!=R)
{
int mid=(L+R)>>1;
if (query(1,l1,l1+mid)!=query(1,l2,l2+mid)) R=mid; else L=mid+1;
}
int f1=fa[l1+L],f2=fa[l2+L];
if (vec[f1].size()<vec[f2].size()) swap(f1,f2);
for (int j=vec[f2].size()-1;j>=0;j--)
{
int x=vec[f2][j];
fa[x]=f1; modify(1,x);
vec[f1].push_back(x);
}
vec[f2].clear();
}
}
int k=0;
for (int i=1;i<=n;i++) if (fa[i]==i) k++;
ll ans=9;
for (int i=2;i<=k;i++) ans=ans*10%md;
printf("%lld\n",ans);
return 0;
}
正解:
又是ST表。用ST表记录每一层的并查集 fa[j][i]的含义是 从i开始的2^j个字符分别和从fa[j][i]开始的2^j个字符对应相等。
每次并查集合并fa[j][x],fa[j][y]的时候,要把fa[j-1][x],fa[j-1][y] 以及 fa[j-1][x+(1<<j-1)] fa[j-1][y+(1<<(j-1)] 合并
总共发生nlogn次合并,复杂度nlogn
%能想出来的人
    
    
#include<cstdio>
#include<cstdlib>
#include<cstring>
#include<algorithm>
#include<cmath>
#define ll long long
#define unl unsigned long long
#define inf 1e9
#define eps 1e-8
#define md 1000000007
#define N 100010
using namespace std;
int fa[20][N];
int find(int j,int i) { return fa[j][i]==i?i:fa[j][i]=find(j,fa[j][i]);}
 
void merge(int j,int x,int y)
{
int f1=find(j,x),f2=find(j,y);
if (f1==f2) return;
fa[j][f2]=f1;
if (!j) return;
merge(j-1,x,y); merge(j-1,x+(1<<(j-1)),y+(1<<(j-1)));
}
 
int main()
{
int n,m;
scanf("%d%d",&n,&m);
if (n==1) { printf("10\n"); return 0;}
for (int j=0;j<18;j++)
for (int i=1;i<=n;i++)
fa[j][i]=i;
for (int i=1;i<=m;i++)
{
int l1,r1,l2,r2;
scanf("%d%d%d%d",&l1,&r1,&l2,&r2);
if (l1>l2) { swap(l1,l2); swap(r1,r2);}
int j=log2(r1-l1+1+eps);
merge(j,l1,l2); merge(j,r1-(1<<j)+1,r2-(1<<j)+1);
}
int ans=0;
for (int i=1;i<=n;i++)
if (find(0,i)==i) ans++;
ll ret=9;
for (int i=2;i<=ans;i++) ret=ret*10%md;
printf("%lld\n",ret);
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