【模板】【Treap/SBT】【树堆】普通平衡树【洛谷P3369】

1 篇文章 0 订阅
1 篇文章 0 订阅

模板题目传送门
首先,我们介绍一下 Treap
###Treap(树堆)
Treap=Tree+Heap。Treap本身是一棵二叉搜索树,它的左子树和右子树也分别是一个Treap,和一般的二叉搜索树不同的是,Treap纪录一个额外的数据,就是优先级。Treap在以关键码构成二叉搜索树的同时,还满足堆的性质。这些优先级是是在结点插入时,随机赋予的,Treap根据这些优先级满足堆的性质。这样的话,Treap是有一个随机附加域满足堆的性质的二叉搜索树,其结构相当于以随机数据插入的二叉搜索树。其基本操作的期望时间复杂度为O( l o g n log_n logn)。相对于其他的平衡二叉搜索树,Treap的特点是实现简单,且能基本实现随机平衡的结构。
Treap维护堆性质的方法只用到了旋转,只需要两种旋转,编程复杂度比Splay要小一些。

然后我们看一道模板题。。。
###题目大意
题目描述

您需要写一种数据结构(可参考题目标题),来维护一些数,其中需要提供以下操作:
1:插入x数
2:删除x数(若有多个相同的数,因只删除一个)
3:查询x数的排名(排名定义为比当前数小的数的个数+1。若有多个相同的数,因输出最小的排名)
4:查询排名为x的数
5:求x的前驱(前驱定义为小于x,且最大的数)
6:求x的后继(后继定义为大于x,且最小的数)
输入输出格式
输入格式:
第一行为n,表示操作的个数,下面n行每行有两个数opt和x,opt表示操作的序号( 1≤opt≤6 )
输出格式:
对于操作3,4,5,6每行输出一个数,表示对应答案
输入样例#1:
10
1 106465
4 1
1 317721
1 460929
1 644985
1 84185
1 89851
6 81968
1 492737
5 493598
输出样例#1:
106465
84185
492737
说明:
时空限制:1000ms,128M
1.n的数据范围: n≤100000
2.每个数的数据范围: [ -{10}^7 , {10}^7 ]
###思维
这是树堆模板题,对于树堆,它有4种方式的操作
####一 、插入
给节点随机分配一个优先级,先和二叉排序树的插入一样,先把要插入的点插入到一个叶子上,然后跟维护堆一样,如果当前节点的优先级比根大就旋转,如果当前节点是根的左儿子就右旋如果当前节点是根的右儿子就左旋。
我们如果把插入写成递归形式的话,只需要在递归调用完成后判断是否满足堆性质,如果不满足就旋转,实现非常容易。
由于是旋转的二叉排序树,最多进行h次(h是树的高度),插入的复杂度是 l o g n log_n logn的,在期望情况下,所以它的期望复杂度是 O( l o g n log_n logn )
####二 、删除
有了旋转的操作之后,Treap的删除比二叉排序树还要简单。因为Treap满足堆性质,所以我们只需要把要删除的节点旋转到叶节点上,然后直接删除就可以了。具体的方法就是每次找到优先级最大的儿子,向与其相反的方向旋转,直到那个节点被旋转到叶节点,然后直接删除。删除最多进行log( n )次旋转,期望复杂度是log( n )。
第二种删除方法:为保证效率,可以用普通二叉查找树的删除方法,找到节点的中序前缀,然后替换,删除,并使用非递归。虽然时间复杂度仍为log级别,但常数因子小了很多。
####三 、查找
根据Treap具有二叉搜索树的性质,可以快速查找所需节点。
时间复杂度: 期望复杂度是O( l o g n log_n logn)。
####四 、 旋转
这个主要是为了维护树堆左右大致平衡,防止一面过长的现象发生
###Treap(树堆)实现代码

#include <bits/stdc++.h>
using namespace std;
struct pppp{
    int key,yx;//键堆,优先级(小)
    int siz,num;//子树元素总数,当前节点元素总数
    pppp *ch[2];//两个儿子所在地址
};
pppp* root=NULL;
int ans,n,f,x;
void Rotate(pppp* &p,bool f){//旋转
    pppp *t=p->ch[f^1];
    p->ch[f^1]=t->ch[f];//改变t的子树的位置
    t->ch[f]=p;//将t旋转至p上方
    p->siz=p->num;
    if(p->ch[0]!=NULL)p->siz+=p->ch[0]->siz;
    if(p->ch[1]!=NULL)p->siz+=p->ch[1]->siz;
    t->siz=t->num;
    if(t->ch[0]!=NULL)t->siz+=t->ch[0]->siz;
    if(t->ch[1]!=NULL)t->siz+=t->ch[1]->siz;//维护节点信息,自底向上先算p再算t
    p=t;//将旋转上去的t节点作为当前子树新的根节点,使用引用方式传递
}
void Insert(pppp* &p,int x){//插入  
     if(p==NULL){//如果为空节点,就新建一个节点
        p=(pppp *)malloc(sizeof(pppp));
        p->key=x;p->yx=rand();
        p->siz=p->num=1;
        p->ch[0]=p->ch[1]=NULL;
        return ;
     }
     if(p->key==x){++p->siz;++p->num;return ;}//重复元素直接累加在相应节点下面
     if(x<p->key){
        Insert(p->ch[0],x);//递归加入左子树
        if(p->ch[0]->yx < p->yx)Rotate(p,1);//若插入的节点优先级小于当前子树的根节点则将其旋转至根节点上方
        else ++p->siz;//如果需要旋转,则当前子树的所有节点的信息都已维护完成;如果不需旋转,那么在将元素递归插入子树后,只有当前子树的根节点的信息还未更新,那么就将其更新即可
     }
     else{
        Insert(p->ch[1],x);
        if(p->ch[1]->yx<p->yx)Rotate(p,0);
        else ++p->siz;//如果需要旋转,则当前子树的所有节点的信息都已维护完成;如果不需旋转,那么在将元素递归插入子树后,只有当前子树的根节点的信息还未更新,那么就将其更新即可
     }
}
void Del(pppp* &p,int x){//删除
    if(p==NULL)return ;//保证不删除空节点
    if(x==p->key){
        if(p->num>1){--p->siz;--p->num;return ;}//若元素重复次数大于1,则减少元素个数即可
        else{//若元素重复次数不大于1,需要删除节点
            if(p->ch[0]==NULL){pppp *t=p;p=p->ch[1];free(t);return;}//若左子树为空则直接用右子树替代当前节点
            else if(p->ch[1]==NULL){pppp *t=p;p=p->ch[0];free(t);return;}//若右子树为空则直接用左子树替代当前节点
            else{
                if(p->ch[0]->yx < p->ch[1]->yx){Rotate(p,1);Del(p->ch[1],x);}//左子树优先级小于右子树优先级,将左子树向上旋转,作为当前树新的根节点,递归在右子树中删除
                else{Rotate(p,0);Del(p->ch[0],x);}//右子树优先级小于左子树优先级,将右子树向上旋转,作为当前树新的根节点,递归在左子树中删除
                --p->siz;
            }
        }
    }
    else{//当前节点不是要删除的元素
        if(x < p->key)Del(p->ch[0],x);//递归在左子树中删除
        else Del(p->ch[1],x);//递归在右子树中删除
        --p->siz;//递归删除完成后,还剩当前根节点的信息未更新,则将其更新即可
    }
}
int Kth(pppp* p,int x){//求第k大元素
    int s=0;//记录左子树节点数量
    if(p->ch[0]!=NULL)s=p->ch[0]->siz;
    if(x<=s)return Kth(p->ch[0],x);//查询节点位于左子树内,则其在左子树的排名即是在当前树的排名
    else if(x<=s+p->num)return p->key;//当前节点即为所求
    else return Kth(p->ch[1],x-s-p->num);//查询节点位于右子树内,则其在右子树的排名为:当前树排名-左子树元素数-当前树根节点元素数
}
int Rank(pppp* p,int x){//求元素排名
    int s=0;
    if(p->ch[0]!=NULL)s=p->ch[0]->siz;
    if(x<p->key)return Rank(p->ch[0],x);  //查询节点位于左子树内,则其在当前树的排名即是在左子树的排名
    else if(x==p->key)return s+1;  //找到待查询节点,则其在当前树的排名为:左子树元素数+1
    else return s+p->num+Rank(p->ch[1],x);  //查询节点位于右子树内,则其在当前树的排名为:左子树元素数+当前树根节点元素数+其在右子树的排名
}
void Pre(pppp* p,int x){//求前驱
    if(p==NULL)return;  //递归边界防止RE
    if(p->key<x){ans=p->key;Pre(p->ch[1],x);}//当前节点键值为可行解,保存可行解,并尝试寻找更优解
    else Pre(p->ch[0],x);  //当前节点键值不是可行解则回退
}
void Succ(pppp* p,int x){//求后继
    if(p==NULL)return;
    if(p->key>x){ans=p->key;Succ(p->ch[0],x);}
    else Succ(p->ch[1],x);//同Pre
}
int main(){
    srand(time(0));
    scanf("%d",&n);
    while(n--){
        scanf("%d%d",&f,&x);
        switch(f){
            case 1:Insert(root,x);break;
            case 2:Del(root,x);break;
            case 3:printf("%d\n",Rank(root,x));break;
            case 4:printf("%d\n",Kth(root,x));break;
            case 5:{Pre(root,x);printf("%d\n",ans);break;}
            case 6:{Succ(root,x);printf("%d\n",ans);break;}    
        }
    }
    return 0;
}

这里我们主要运用了指针来写树堆,存起来更加方便。。
(具体实现和如何实现以及每一步的意义已经在代码里标注)

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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