BZOJ3069: [Pa2011]Hard Choice 艰难的选择

很好的一道LCT的题目
虽然能马上发现时LCT但是这个性质起码我是画了个图。。。
要处在同一个强联通分量里的点才有两条不重合路径
那么很容易想出来只需要离线每次加边同时缩点就好了
然后只需要打个并查集维护一下当前点被缩成哪个点就好了
我第一次LCT的并查集忘了更新了

#include<cstdio>
#include<iostream>
#include<cstring>
#include<cstdlib>
#include<map>
using namespace std;
char c;
inline void read(int &a)
{
    a=0;do c=getchar();while(c<'0'||c>'9');
    while(c<='9'&&c>='0')a=(a<<3)+(a<<1)+c-'0',c=getchar();
}
struct Node
{
    Node *f,*lc,*rc;
    Node *Replace;
    int Rev;
    Node(){Replace=this;}
    inline bool H(){return f->lc==this||f->rc==this;}
    inline bool l(){return f->lc==this;}
}Place[100001],*empty;
inline void Begin()
{
    empty=new Node;
    empty->lc=empty->rc=empty->f=empty->Replace=empty;
}
Node*FFF(Node *a){return a->Replace=(a->Replace==a?(a):FFF(a->Replace));} 
inline void Rev(Node *a)
{
    a->Rev^=1;
    Node *l=a->lc;
    a->lc=a->rc,a->rc=l;
    a->rc->Rev^=1,a->lc->Rev^=1;
}

inline void Lc(Node*a)
{
    Node *ne;
    if(a->f->H())
      if(a->f->l())
         a->f->f->lc=a,ne=a->f->f;
        else 
          a->f->f->rc=a,ne=a->f->f;
    else if(a->f->f!=a->f)   ne=a->f->f;
    else ne=a;
    a->f->lc=a->rc;
    a->rc->f=a->f;
    a->rc=a->f;
    a->f->f=a;
    a->f=ne;
}
inline void Rc(Node*a)
{
    Node *ne;
    if(a->f->H())
      if(a->f->l())
         a->f->f->lc=a,ne=a->f->f;
        else 
          a->f->f->rc=a,ne=a->f->f;
    else if(a->f->f!=a->f)   ne=a->f->f;
    else ne=a;
    a->f->rc=a->lc;
    a->lc->f=a->f;
    a->lc=a->f;
    a->f->f=a;
    a->f=ne;
}
inline void Turn(Node *a)
{a->l()?Lc(a):Rc(a);}
inline void Change(Node*a)
{if(a->f->Rev)Rev(a->f);if(a->Rev)Rev(a);Turn(a);}
inline void TwiChange(Node*a)
{if(a->f->f->Rev)Rev(a->f->f);if(a->f->Rev)Rev(a->f);if(a->Rev)Rev(a);a->l()==a->f->l()?Turn(a->f):Turn(a);Turn(a);}
inline void Splay(Node *a)
{
    while(a->H()&&a->f->H())TwiChange(a);
    while(a->H())Change(a);
}
inline void Access(Node *a)
{
    if(a->Rev)Rev(a);
    a->f=FFF(a->f);
    while(true)
     {
        Splay(a);
        a->f=FFF(a->f);
        if(a->f==a)return;  
        Splay(a->f);
        if(a->f->Rev)Rev(a->f);
        a->f->rc=a;
     }
}

inline void MakeRoot(Node *a)
{
    Access(a);
    a->lc->Rev^=1;
    a->lc=empty;
}
inline void Split(Node *a,Node *b)
{
    MakeRoot(a);
    Access(b);
    while(a->f!=b)Change(a);
}
void Del(Node*a,Node*Replace)
{
    if(a==empty)return;
    a->Replace=Replace;
    Del(a->lc,Replace);
    Del(a->rc,Replace);
}
inline void Ensmall(Node *a,Node *b)
{
    Split(a,b);
    a->lc->f=b;
    b->lc=a->lc;
    a->lc=empty;
    Del(a,b);
}
struct Query
{
    int u,v;
    int no;
    bool del;
    int ans;
    inline friend bool operator <(Query a,Query b)
    {return a.no>b.no;}
}Q[100001];
struct Side
{
     int u,v;
     inline void So()
     {if(u>v)swap(u,v);}
     inline friend bool operator <(Side a,Side b)
     {return a.u^b.u?a.u<b.u:a.v<b.v;} 
}L[100001];
int F[100001];
int find(int x)
{
    return F[x]=(F[x]==x?x:find(F[x]));
}

inline void Link(Node *a,Node *b)
{
    MakeRoot(a);
    a->f=b;
    Access(a);
}

map<Side,bool>D;
int n,m,z;
int main()
{
    int i,j,k;
    Side tp;
    Query t;
    Begin();
    read(n),read(m),read(z);
    for(i=1;i<=n;i++)
      Place[i].f=Place+i,Place[i].lc=empty,Place[i].rc=empty,Place[i].Rev=0,F[i]=i,Place[i].Replace=Place+i;
    for(i=1;i<=m;i++)
       read(tp.u),read(tp.v),tp.So(),D[tp]=true,L[i]=tp;
    for(i=1;i<=z;i++)
      {
        do c=getchar();while(c!='Z'&&c!='P');
        if(c=='Z') 
          {
           read(t.u),read(t.v),
           t.no=i;t.del=true;
           Q[i]=t;
           tp.u=t.u,tp.v=t.v;
           tp.So();
           D[tp]=false;
          }
          else
           {
           read(t.u),read(t.v),
            t.no=i;t.del=false;
            Q[i]=t;        
           }
      }
     for(i=1;i<=m;i++)
      if(D[L[i]])
         {
            if(FFF(Place+L[i].u)!=FFF(Place+L[i].v))
               if(find(L[i].u)^find(L[i].v))
                 F[find(L[i].u)]=F[L[i].v],Link(FFF(Place+L[i].u),FFF(Place+L[i].v));
               else Ensmall(FFF(Place+L[i].u),FFF(Place+L[i].v));
            else; 
         }
    for(i=z;i;i--)
    {
       if(Q[i].del)
              if(FFF(Place+Q[i].u)!=FFF(Place+Q[i].v))
               if(find(Q[i].u)^find(Q[i].v))
                 F[find(Q[i].u)]=F[Q[i].v],Link(FFF(Place+Q[i].u),FFF(Place+Q[i].v));
               else Ensmall(FFF(Place+Q[i].u),FFF(Place+Q[i].v));
               else;
        else
           Q[i].ans=FFF(Place+Q[i].u)==FFF(Place+Q[i].v);
    }
    for(i=1;i<=z;i++)
      if(!Q[i].del)puts(Q[i].ans?"TAK":"NIE");
    return 0;
}
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