P3372 【模板】线段树 1

题目描述
如题,已知一个数列,你需要进行下面两种操作:

将某区间每一个数加上 kk。
求出某区间每一个数的和。
输入格式
第一行包含两个整数 n, mn,m,分别表示该数列数字的个数和操作的总个数。

第二行包含 nn 个用空格分隔的整数,其中第 ii 个数字表示数列第 ii 项的初始值。

接下来 mm 行每行包含 33 或 44 个整数,表示一个操作,具体如下:

1 x y k:将区间 [x, y][x,y] 内每个数加上 kk。
2 x y:输出区间 [x, y][x,y] 内每个数的和。
输出格式
输出包含若干行整数,即为所有操作 2 的结果。

输入输出样例
输入 #1 复制
5 5
1 5 4 2 3
2 2 4
1 2 3 2
2 3 4
1 1 5 1
2 1 4
输出 #1 复制
11
8
20
说明/提示
对于 30%30% 的数据:n \le 8n≤8,m \le 10m≤10。
对于 70%70% 的数据:n \le {10}^3n≤10
3
,m \le {10}^4m≤10
4

对于 100%100% 的数据:1 \le n, m \le {10}^51≤n,m≤10
5

保证任意时刻数列中任意元素的和在 [-2^{63}, 2^{63})[−2
63
,2
63
) 内。

【样例解释】

原地址已转移

线段树区间修改+查询

#include<iostream>
#include<cstdio>
#include<algorithm>
using namespace std;
#define ll long long
const ll maxn=10e5+5;
struct tree
{
    ll sum,value;
} trees[maxn];
ll a[maxn];
void pushdown(ll u,ll l)
{
    trees[u<<1|1].sum+=trees[u].sum;
    trees[u<<1].sum+=trees[u].sum;
    trees[u<<1].value+=(l-(l>>1))*trees[u].sum;
    trees[u<<1|1].value+=(l>>1)*trees[u].sum;
    trees[u].sum=0;
}
void buildtree(ll u,ll l,ll r)
{
    trees[u].sum=0;
    if(l==r)
    {
        trees[u].value=a[l];
        return ;
    }
    ll mid=(l+r)>>1;
    buildtree(u<<1,l,mid);
    buildtree(u<<1|1,mid+1,r);
    trees[u].value=trees[u<<1].value+trees[u<<1|1].value;
}
void updatetree(ll l,ll r,ll left,ll right,ll u,ll k)
{
    if(l>=left&&r<=right)
    {
        trees[u].sum+=k;
        trees[u].value+=(r-l+1)*k;
        return ;
    }
    ll mid=(l+r)>>1;
    if(trees[u].sum)
        pushdown(u,r-l+1);
    if(left<=mid)
    {
        updatetree(l,mid,left,right,u<<1,k);
    }
    if(right>mid)
    {
        updatetree(mid+1,r,left,right,u<<1|1,k);
    }
    trees[u].value=trees[u<<1].value+trees[u<<1|1].value;
}
ll querytree(ll l,ll r,ll left,ll right,ll u)
{
    if(l>=left&&r<=right)
        return trees[u].value;
    ll mid=(l+r)>>1;
    ll ans=0;
    if(trees[u].sum)
        pushdown(u,r-l+1);
    if(left<=mid)
        ans+=querytree(l,mid,left,right,u<<1);
    if(right>mid)
        ans+=querytree(mid+1,r,left,right,u<<1|1);
    return ans;
}
int main()
{
    ll n,q;
    scanf("%lld%lld",&n,&q);
    for(ll i=1; i<=n; i++)
        scanf("%lld",&a[i]);
    buildtree(1,1,n);
    for(ll i=1; i<=q; i++)
    {
        ll c;
        scanf("%lld",&c);
        if(c==1)
        {
            ll x,y,k;
            scanf("%lld%lld%lld",&x,&y,&k);
            updatetree(1,n,x,y,1,k);
        }
        else
        {
            ll x,y;
            scanf("%lld%lld",&x,&y);
            printf("%lld\n",querytree(1,n,x,y,1));
        }
    }
}

树状数组区间修改+查询

参考

#include<iostream>
#include<cstdio>
using namespace std;
#define lowbit(x) x&(-x)
#define ll long long
const int maxn=5e5+5;
ll tree1[maxn],tree2[maxn],a[maxn];
void update(ll *t,int i,int v)
{
    while(i<maxn/5)
    {
        t[i]+=v;
        i+=lowbit(i);
    }
}
ll query(ll *t,int i)
{
    ll ans=0;
    while(i)
    {
        ans+=t[i];
        i-=lowbit(i);
    }
    return ans;
}
int main()
{
    ll n,q;
    scanf("%lld%lld",&n,&q);
    for(int i=1;i<=n;i++)
        scanf("%lld",&a[i]);
    a[0]=0;
    for(int i=1;i<=n;i++)
    {
        update(tree1,i,a[i]-a[i-1]);
        update(tree2,i,(i-1)*(a[i]-a[i-1]));
    }
    for(int i=1;i<=q;i++)
    {
        int c;
        scanf("%d",&c);
        if(c==1)
        {
            int x,y,k;
            scanf("%d%d%d",&x,&y,&k);
            update(tree1,x,k),update(tree1,y+1,-k);
            update(tree2,x,(x-1)*k),update(tree2,y+1,-y*k);
        }
        else
        {
            int x,y;
            scanf("%d%d",&x,&y);
            printf("%lld\n",(y*query(tree1,y)-(x-1)*query(tree1,x-1))-(query(tree2,y)-query(tree2,x-1)));
        }
    }

}

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