[线段树区间修改] cf D. Cleaning

题目

题目链接:

思路

数组去的情况可以写为: a [ 1 ] , a [ 2 ] − a [ 1 ] , a [ 3 ] − a [ 2 ] + a [ 1 ] , a [ 4 ] − a [ 3 ] + a [ 2 ] − a [ 1 ] a[1],a[2]-a[1],a[3]-a[2]+a[1],a[4]-a[3]+a[2]-a[1] a[1],a[2]a[1],a[3]a[2]+a[1],a[4]a[3]+a[2]a[1]
可以发现,奇数下标在奇数位为正,偶数位为负
偶数下标在奇数位为负,偶数位为正
每次调换 a [ i ] 、 a [ i + 1 ] a[i]、a[i+1] a[i]a[i+1]只用修改 a [ i ] 、 a [ i + 1 ] a[i]、a[i+1] a[i]a[i+1]即可。

代码

#include<cstdio>
#include<cstring>
#include<cmath>
#include<cstdlib>
#include<cctype>
#include<ctime>
#include<iostream>
#include<string>
#include<map>
#include<queue>
#include<stack>
#include<set>
#include<vector>
#include<iomanip>
#include<list>
#include<bitset>
#include<sstream>
#include<fstream>
#include<complex>
#include<algorithm>
#if __cplusplus >= 201103L
#include <unordered_map>
#include <unordered_set>
#endif
#define int long long
using namespace std;
const int INF = 0x3f3f3f3f3f3f3f3f;
const int N=2e5+10;
int a[N],s[N],j[N],o[N];
struct seg{
	struct sut{
		int l,r,mi,mid,lazy;
	}tree[N<<2];
#define ls x<<1
#define rs x<<1|1
	void pp(int x){
		tree[x].mi=min(tree[ls].mi,tree[rs].mi);
	}
	void build(int x,int l,int r,int *a){
		tree[x]={l,r,INF,(l+r)>>1,0};
		if(l==r){
			tree[x].mi=a[l];
			return;
		}
		build(ls,l,tree[x].mid,a);
		build(rs,tree[x].mid+1,r,a);
		pp(x);
	}
	void pd(int x){
		if(tree[x].lazy){
			tree[ls].lazy+=tree[x].lazy;
			tree[rs].lazy+=tree[x].lazy;
			tree[ls].mi+=tree[x].lazy;
			tree[rs].mi+=tree[x].lazy;
			tree[x].lazy=0;
		}
	}
	int query(int x,int l,int r){
		if(l<=tree[x].l&&tree[x].r<=r){
			return tree[x].mi;
		}
		int ans=INF;
		pd(x);
		if(l<=tree[x].mid) ans=min(query(ls,l,r),ans);
		if(r>tree[x].mid) ans=min(query(rs,l,r),ans);
		pp(x);
		return ans;
	}
	void modify(int x,int l,int r,int d){
		if(l<=tree[x].l&&tree[x].r<=r){
			tree[x].lazy+=d;
			tree[x].mi+=d;
			return;
		}
		pd(x);
		int mid=tree[x].mid;
		if(l<=mid) modify(ls,l,r,d);
		if(r>mid) modify(rs,l,r,d);
		pp(x);
	}
} tj,to; 
signed main(){
	ios::sync_with_stdio(false);cin.tie(0);cout.tie(0);
	int t;
	cin>>t;
	while(t--){
		int n;
		cin>>n;
		for(int i=1;i<=n;i++){
			o[i]=INF;
			j[i]=INF;
		}
		for(int i=1;i<=n;i++){
			cin>>a[i];
			s[i]=a[i]-s[i-1];
			if(i&1) j[i]=s[i];
			else o[i]=s[i];
		}
		tj.build(1,1,n,j);
		to.build(1,1,n,o);
		int ans1=tj.query(1,1,n);
		int ans2=to.query(1,1,n);//求最小值
		//cout<<ans1<<" "<<ans2<<endl; 
		if(s[n]==0&&ans1>=0&&ans2>=0){
			cout<<"YES"<<endl;
			continue;
		}
		bool flag=0;
		for(int i=1;i<=n;i++){
			if(i&1){
				tj.modify(1,i,n,-a[i]);
				to.modify(1,i,n,a[i]);
				tj.modify(1,i,n,a[i+1]);
				to.modify(1,i,n,-a[i+1]);
				
				tj.modify(1,i+1,n,-a[i]);
				to.modify(1,i+1,n,a[i]);
				tj.modify(1,i+1,n,a[i+1]);
				to.modify(1,i+1,n,-a[i+1]);
			}
			else{
				tj.modify(1,i,n,a[i]);
				to.modify(1,i,n,-a[i]);
				tj.modify(1,i,n,-a[i+1]);
				to.modify(1,i,n,a[i+1]);
			
				tj.modify(1,i+1,n,a[i]);
				to.modify(1,i+1,n,-a[i]);
				tj.modify(1,i+1,n,-a[i+1]);
				to.modify(1,i+1,n,a[i+1]);
			}
			int sum;
			if(n&1) sum=tj.query(1,n,n);
			else sum=to.query(1,n,n);
			int jj=tj.query(1,1,n);
			int oo=to.query(1,1,n);
			//cout<<sum<<" "<<jj<<" "<<oo<<endl;
			if(sum==0&&jj>=0&&oo>=0){
				flag=1;
				break;
			}
			if(i&1){	
				tj.modify(1,i,n,a[i]);
				to.modify(1,i,n,-a[i]);
				tj.modify(1,i,n,-a[i+1]);
				to.modify(1,i,n,a[i+1]);
			
				tj.modify(1,i+1,n,a[i]);
				to.modify(1,i+1,n,-a[i]);
				tj.modify(1,i+1,n,-a[i+1]);
				to.modify(1,i+1,n,a[i+1]);
					
			}
			else{
				tj.modify(1,i,n,-a[i]);
				to.modify(1,i,n,a[i]);
				tj.modify(1,i,n,a[i+1]);
				to.modify(1,i,n,-a[i+1]);
				
				tj.modify(1,i+1,n,-a[i]);
				to.modify(1,i+1,n,a[i]);
				tj.modify(1,i+1,n,a[i+1]);
				to.modify(1,i+1,n,-a[i+1]);
			}
		}
		if(flag) cout<<"YES"<<endl;
		else cout<<"NO"<<endl; 
	} 
    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 2
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