2017.3.23考试

总述:

这场考试的题是数据结构的使用,最近学过线段树,二叉树排序树,平衡树以及伸展树。然后一看到题没怎么想就第一反应打版去了,没注意这棵树在这题里有什么实际的作用。手下很熟练地就写了splay和avl(因为最近写顺手了),然而事实上这几道题都不是这样做的,在遇到题目的时候应该先经过深思熟虑,而不是一走上来就想这道题是不是原题,是不是可以用xxx算法xxx数据结构上去套,每一种算法和数据结构都为一类具有共同特点的题目类型所服务的,可以完成一部分的需求(比如解题需要的某个数据),但并不一定直接就能出答案,而且个人觉得应该先理解题意,毕竟我总是臆想一些莫名的条件,所以做题还是要冷静。

第一题完全是傻,明明可以直接用线段树维护一个差值,然后向上更新就行,但是还是生拉硬拽地把splay给写上去了,写完之后又写wa了差值的更新,还暴力了一波差值,然后T掉。

第二题也可以用线段树做,暴力合并都是可以的,我,写了,树套树,线段树+splay,真的是厉害了,而且还在结构体里面疯一样地塞字符串,当时写了几个数据都过了,就觉得应该没什么,然后也没有自细地去算时间,所以T了,但是答案是对的我还是挺欣慰,T的真相是我没有只保存前11个,而是全部保存了,嗯然后gg了。

第三题我第一反应就是一道矩形树裸题,维护最小值和最大值就可以了,然后数组应该开到16*N*N,嗯于是我只开了16*N,特别尴尬,一直RE。后面改了数组之后,发现此题还有一个更坑的地方,1<=N<=250,而询问次数高达1000000,这很显然有很多重复的,再开一个数组记忆答案才可以过,嗯我没开然后每次都搜去了,TLE。

题目:

问题 A(2856): 原子核研究

时间限制: 1 Sec  内存限制: 128 MB

题目描述

最近物理学家正在研究一些新的原子,称为X族。他们发现该族中的元素非常相近,但是其质量都不相同。质量越接近的越容易相互转化。现在,物理学家已经发明了一种设备,可以对X族的元素来进行以下三种操作:
1.generate M 产生质量为M的一个元素,如果已经存在,则该操作不产生作用。
2.romove M 销掉质量为M的元素,如果不存在质量为M的元素,则该操作不产生作用。
3.query 查询X族中质量最接近的两种元素的质量差的绝对值。如果此时X族中的元素个数小于2,则输出-1.
现在,请你写一个程序来模拟该设备的操作。

输入

输入包含多组测试数据,第一行一个整数t,表示测试数据的组数。对于每一组数据,第一行是一个整数n,表示有n条指令。接下来n行,每行表示一条指令,如上所述。M是一个正整数,不超过100000.

输出

输出:对于每组测试数据,对于其中的每一个查询操作,都要输出一个结果。注意:每一组测试数据后要输出一个空行。

样例输入

1
12
generate 1
remove 2
generate 1
query
generate 7
query
generate 10
query
generate 5
query
remove 7
query

样例输出

-1
6
3
2
4

用线段树解,初始按数据的数值建树,用一个P数组保存分配到单点的位置,每次插入新数值直接访问到最下的叶子节点(有点像zkw树的思路),然后向上更新到根节点,删除也是从叶子节点开始访问,向上更新。ans是当前的最小差值,lc是当前小值,rc是当前大值,答案在根节点。

#include<iostream>
#include<cstdio>
#include<cstdlib>
#include<cstring>
using namespace std;
const int Max=100005;
struct node{
	int l,r,lc,rc,ans;
}Tr[Max*4];
int T,N,cnt;
int P[Max];
bool flag[Max];
int min(int a,int b){return a<b?a:b;}
void getint(int &num){
    char c;int flag=1;num=0;
    while((c=getchar())<'0'||c>'9')if(c=='-')flag=-1;
    while(c>='0'&&c<='9'){num=num*10+c-48;c=getchar();}
    num*=flag;
}
void build(int i,int l,int r){
	Tr[i].l=l,Tr[i].r=r;
	Tr[i].ans=Tr[i].lc=Tr[i].rc=Max;
	if(l==r){P[++cnt]=i;return ;}
	int mid=(l+r)>>1;
	build(i<<1,l,mid);
	build(i<<1|1,mid+1,r);
}
void change(int val){
	for( int pos=P[val]>>1; pos>0; pos>>=1){
		Tr[pos].ans=min(Tr[pos<<1].ans,Tr[pos<<1|1].ans);
		if(Tr[pos<<1].rc!=Max&&Tr[pos<<1|1].lc!=Max)
			Tr[pos].ans=min(Tr[pos].ans,Tr[pos<<1|1].lc-Tr[pos<<1].rc);
		Tr[pos].lc=Tr[pos<<1].lc;
		Tr[pos].rc=Tr[pos<<1|1].rc;
		if(Tr[pos].lc!=Max&&Tr[pos].rc!=Max&&Tr[pos].lc!=Tr[pos].rc)
			Tr[pos].ans=min(Tr[pos].ans,Tr[pos].rc-Tr[pos].lc);
		if(Tr[pos].lc==Max)
			Tr[pos].lc=Tr[pos].rc;
		if(Tr[pos].rc==Max)
			Tr[pos].rc=Tr[pos].lc;
	}
}
void insert(int val){
	Tr[P[val]].lc=Tr[P[val]].rc=val;
	change(val);
}
void dele(int val){
	Tr[P[val]].lc=Tr[P[val]].rc=Max;
	change(val);
}
int main(){
	getint(T);
	char ord[10];
	int x,in;
	while(T--){
		getint(N);
		in=cnt=0;
		memset(flag,0,sizeof(flag));
		build(1,1,Max);
		for(int i=1; i<=N; ++i){
			scanf("%s",ord);
			if(ord[0]=='g'){
				getint(x);
				if(!flag[x]){
					flag[x]=1;
					insert(x);
					++in;
				}
			}
			else if(ord[0]=='r'){
				getint(x);
				if(flag[x]){
					flag[x]=0;
					dele(x);
					--in;
				}
			}
			else {
				if(in<2)puts("-1");
				else printf("%d\n",Tr[1].ans);
			}
		}
		putchar(10);
	}
	return 0;
}

问题 B(2368): 球星

时间限制: 10 Sec  内存限制: 128 MB

题目描述

给出球星们的能力值、年份、名字,有很多个查询,每个查询给出一个年份的范围,求出这个范围里能力值从高到低排列的前11名球员,如果能力值相同则按年份从低到高排,如果年份仍然相同,则按名字的字典序排。如果不足11个球员,就用XXX代替输出凑够11行。

输入

输入数据:
第一行包含1个整数N(1<=N<=50000),表示球星的总数,接下来N行,每行描述了1个球星(year,name,ability)。0<=year<=1000000000,name不超过15个字母,0<=ability<=1000000000.
假设没有两个人的名字相同。接下来有一个整数R,表示有R个查询。接下来R行,每行描述了一个产寻,每个查询包含2个整数(x,y),表示从第x年到第y年。(0<=x<=y<=1000000000)

输出

输出数据:对于每组数据,按上面描述的顺序输出最靠前的11个球员的名字,每个球员占一行。如果不足11行,则用XXX代替,凑够11行。每组数据后都有一个空行。

样例输入

5
1 a 1
2 b 2
2 c 6
5 e 50
5 d 50
2
1 2
5 5

样例输出

c
b
a
XXX
XXX
XXX
XXX
XXX
XXX
XXX
XXX

d
e
XXX
XXX
XXX
XXX
XXX
XXX
XXX
XXX
XXX

同样是线段树,结构体中需要维护当前区间内11个球星的名字。按照年份建树,二分查找[l,r]在树中的最左边位置和最右边位置,然后每次合并的时候就暴力合并。注意最先找到的11个不能保证是答案,一定要找完整个区间,即使排序也不行,因为既然是按年份建树,那么ab值将成为第二关键字而非第一关键字,所以会wa的。还有,合并的时候注意细节。后来重做的时候一直都在报超时,检查很久都没有检查出来是什么原因,最后才发现,是因为我在查找最值的时候,当区间为包含关系时,更改全局变量后忘记了return导致递归继续而超时,这个问题已经不是第一次,感觉以后可能写代码的时候要慢一点,打漏这种东西真的很难找。

#include<iostream>
#include<cstdio>
#include<cstdlib>
#include<climits>
#define son1 (i<<2)-2
#define son2 (i<<2)-1
#define son3 (i<<2)
#define son4 (i<<2)+1
using namespace std;
const int Max=250;
const int MaxM=Max*Max*16;
struct node{
	int x1,y1,x2,y2;
	int xm,nm;
}Tr[MaxM];
int N,K,B,XM,NM;
int map[Max+5][Max+5];
int Ans[Max+5][Max+5];
void getint(int &num){
    char c;int flag=1;num=0;
    while((c=getchar())<'0'||c>'9')if(c=='-')flag=-1;
    while(c>='0'&&c<='9'){num=num*10+c-48;c=getchar();}
    num*=flag;
}
int min(int a,int b){return a<b?a:b;}
int max(int a,int b){return a<b?b:a;}
void pushup(int i){
	Tr[i].nm=min(min(Tr[son1].nm,Tr[son2].nm),min(Tr[son3].nm,Tr[son4].nm));
	Tr[i].xm=max(max(Tr[son1].xm,Tr[son2].xm),max(Tr[son3].xm,Tr[son4].xm));
}
void build(int i,int x1,int y1,int x2,int y2){
	Tr[i].x1=x1,Tr[i].y1=y1;
	Tr[i].x2=x2,Tr[i].y2=y2;
	if(x1==x2&&y1==y2){
		Tr[i].nm=Tr[i].xm=map[x1][y1];
		return ;
	}
	int midx=(x1+x2)>>1,midy=(y1+y2)>>1;
	if(x1==x2){
		build(son1,x1,y1,x1,midy);
		build(son2,x1,midy+1,x1,y2);
		Tr[son3].nm=Tr[son4].nm=0x3f3f3f3f;
	}
	else if(y1==y2){
		build(son1,x1,y1,midx,y1);
		build(son3,midx+1,y1,x2,y1);
		Tr[son2].nm=Tr[son4].nm=0x3f3f3f3f;
	}
	else {
		build(son1,x1,y1,midx,midy);
		build(son2,x1,midy+1,midx,y2);
		build(son3,midx+1,y1,x2,midy);
		build(son4,midx+1,midy+1,x2,y2);
	}
	pushup(i);
}
void find_tr(int i,int x1,int y1,int x2,int y2){
	if(Tr[i].x2<x1||Tr[i].y2<y1)return ;
	if(Tr[i].x1>x2||Tr[i].y1>y2)return ;
	if(x1<=Tr[i].x1&&y1<=Tr[i].y1&&x2>=Tr[i].x2&&y2>=Tr[i].y2){
		XM=max(XM,Tr[i].xm);
		NM=min(NM,Tr[i].nm);
		return ;
	}
	find_tr(son1,x1,y1,x2,y2);
	find_tr(son2,x1,y1,x2,y2);
	find_tr(son3,x1,y1,x2,y2);
	find_tr(son4,x1,y1,x2,y2);
}
int main(){
	getint(N),getint(K),getint(B);
	for(int i=1; i<=N; ++i)
		for(int j=1; j<=N; ++j)
			getint(map[i][j]);
	build(1,1,1,N,N);
	int x,y;
	while(B--){
		getint(x),getint(y);
		NM=0x3f3f3f3f,XM=0;
		if(!Ans[x][y]){
			find_tr(1,x,y,x+K-1,y+K-1);
			Ans[x][y]=XM-NM;
		}
		printf("%d\n",Ans[x][y]);
	}
}


智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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