操作格子(线段树)

操作格子
问题描述

有n个格子,从左到右放成一排,编号为1-n。

共有m次操作,有3种操作类型:

1.修改一个格子的权值,

2.求连续一段格子权值和,

3.求连续一段格子的最大值。

对于每个2、3操作输出你所求出的结果。

输入格式

第一行2个整数n,m。

接下来一行n个整数表示n个格子的初始权值。

接下来m行,每行3个整数p,x,y,p表示操作类型,p=1时表示修改格子x的权值为y,p=2时表示求区间[x,y]内格子权值和,p=3时表示求区间[x,y]内格子最大的权值。

输出格式

有若干行,行数等于p=2或3的操作总数。

每行1个整数,对应了每个p=2或3操作的结果。

样例输入
4 3
1 2 3 4
2 1 3
1 4 3
3 1 4
样例输出
6
3
数据规模与约定

对于20%的数据n <= 100,m <= 200。

对于50%的数据n <= 5000,m <= 5000。

对于100%的数据1 <= n <= 100000,m <= 100000,0 <= 格子权值 <= 10000。

题意很明确,更新点,求区间和and区间最大值,用线段树很好就求出来。

注意:线段树的大小应该是maxn * 4;如果开小就会提示运行超时。

AC代码:

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#include<cmath>
#define inf 0x3f3f3f3f
using namespace std;

const int maxn = 100010;
int n, m;

struct node{
	int gl, gr, gsum, gmax;
};
node a[maxn * 4];

void init(int l, int r, int num)
{
	a[num].gl = l;
	a[num].gr = r;
	a[num].gmax = 0;
	a[num].gsum = 0;
	if(l >= r)
		return;
	int mid = (l + r) >> 1;
	init(l, mid, num << 1);
	init(mid + 1, r, num << 1 | 1);
}

void insert(int num, int i, int x)
{
	if(i < a[num].gl || i > a[num].gr)
		return;
	if(a[num].gl == a[num].gr)
	{
		if(i == a[num].gl)
		{
			a[num].gmax = x;
			a[num].gsum = x;
		}
		return;
	}
	int mid = (a[num].gl + a[num].gr) >> 1;
	if(i <= mid)
		insert(num << 1, i, x);
	else 
		insert(num << 1 | 1, i, x);
	a[num].gmax = max(a[num << 1].gmax, a[num <<1 | 1].gmax);
	a[num].gsum = a[num << 1].gsum +a[num << 1 | 1].gsum;
}

int getsum(int num, int l, int r)
{
	if(l <= a[num].gl && r >= a[num].gr)
		return a[num].gsum;
	if(l > a[num].gr || r < a[num].gl)
		return 0;
	int mid = (a[num].gl + a[num].gr) >> 1;
	if(l > mid)
		return getsum(num << 1 | 1, l, r);
	else if(r <= mid)
		return getsum(num << 1, l, r);
	else
		return getsum(num << 1, l, mid) + getsum(num << 1 | 1, mid + 1, r);
}

int getmax(int num, int l, int r)
{
	if(l == a[num].gl && r == a[num].gr)
		return a[num].gmax;
	if(l > a[num].gr || r < a[num].gl)
		return 0;
	int mid = (a[num].gl + a[num].gr) >> 1;
	if(l > mid)
		return getmax(num << 1 | 1, l, r);
	else if(r <= mid)
		return getmax(num << 1, l,  r);
	else
		return max(getmax(num << 1, l, mid) , getmax(num << 1 | 1, mid + 1, r));
}
int main()
{
	int cas, x, y;
	scanf("%d%d", &n, &m);
	init(1, n, 1);
	for(int i = 1; i <= n; i++)
	{
		scanf("%d", &x);
		insert(1, i, x);
	}
	for(int i = 0; i < m; i++)
	{
		scanf("%d%d%d", &cas, &x, &y);
		if(cas == 1)
			insert(1, x, y);
		else if(cas == 2)
			printf("%d\n", getsum(1, x, y));
		else
			printf("%d\n", getmax(1, x, y));
	}
	return 0;
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于YOLOv9实现工业布匹缺陷(破洞、污渍)检测系统python源码+详细运行教程+训练好的模型+评估 【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【特别说明】 *项目内容完全原创,请勿对项目进行外传,或者进行违法等商业行为! 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
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