P3332 [ZJOI2013]K大数查询 - 整体二分-区间修改

题目链接:https://www.luogu.com.cn/problem/P3332
在这里插入图片描述
思路:我们区间修改用一个线段树维护就可以了。

#include <bits/stdc++.h>
using namespace std;
#define LL long long
#define mid (l+r>>1)

LL a[200000+10], sum[50000*4+10], laz[50000*4+10], rec[50000*4+10];
void BT(LL i, LL l, LL r){
    sum[i]=laz[i]=rec[i]=0;
    if(l==r){
        sum[i]=a[l];
        return ;
    }
    BT(i<<1, l, mid); BT((i<<1)+1, mid+1, r);
    sum[i]=sum[i<<1]+sum[(i<<1)+1];
}

void pushdown(LL i, LL l, LL r){
    if(rec[i]){//清空线段树
        rec[i]=0;
        laz[i<<1]=laz[(i<<1)+1]=sum[i<<1]=sum[(i<<1)+1]=0;
        rec[(i<<1)]=rec[(i<<1)+1]=1;
    }
    if(laz[i]){
        laz[(i<<1)]+=laz[i]; laz[(i<<1)+1]+=laz[i];
        sum[(i<<1)]+=laz[i]*(mid-l+1);
        sum[(i<<1)+1]+=laz[i]*(r-mid);
        laz[i]=0;
    }
}

void add(LL i, LL l, LL r, LL L, LL R, LL v){

    if(l==L&&r==R){
        laz[i]+=v;
        sum[i]+=v*(r-l+1);
        return ;
    }
    if(laz[i]||rec[i]) pushdown(i, l, r);

    if(R<=mid) add(i<<1, l, mid, L, R, v);
    else if(L>mid) add((i<<1)+1, mid+1, r, L, R, v);
    else add(i<<1, l, mid, L, mid, v), add((i<<1)+1, mid+1, r, mid+1, R, v);
    sum[i]=sum[i<<1]+sum[(i<<1)+1];
}

LL query(LL i, LL l, LL r, LL L, LL R){
    if(l==L&&r==R){
        return sum[i];
    }
    if(laz[i]||rec[i]) pushdown(i, l, r);

    if(R<=mid) return query(i<<1, l, mid, L, R);
    if(L>mid) return query((i<<1)+1, mid+1, r, L, R);
    return query(i<<1, l, mid, L, mid)+query((i<<1)+1, mid+1, r, mid+1, R);
}

struct node{
    LL x, y, type, l, r, k, id;
    //值 添加/删除 查询/修改 区间 第k大 询问数
}q[100000+5], q1[100000+5], q2[100000+5];
LL tot, totx, n, m, ans[100000+5];

void solve(LL ql, LL qr, LL l, LL r){
    if(ql>qr) return ;
    if(l==r){
        for(LL i=ql; i<=qr; i++){
            if(q[i].type==2){
                ans[q[i].id]=l;
            }
        }
        return ;
    }
    rec[1]=1, laz[1]=sum[1]=0;//清空线段树

    LL t1=0, t2=0;
    for(LL i=ql; i<=qr; i++){
        if(q[i].type==1){
            if(q[i].x>mid){//第k大
                add(1, 1, n, q[i].l, q[i].r, q[i].y);
                q2[t2++]=q[i];
            }
            else{
                q1[t1++]=q[i];
            }
        }
        else{
            LL tt=query(1, 1, n, q[i].l, q[i].r);
            if(tt<q[i].k){
                q[i].k-=tt;
                q1[t1++]=q[i];
            }
            else{
                q2[t2++]=q[i];
            }
        }
    }
    for(LL i=0; i<t1; i++) q[ql+i]=q1[i];
    for(LL i=0; i<t2; i++) q[ql+t1+i]=q2[i];
    solve(ql, ql+t1-1, l, mid);
    solve(ql+t1, qr, mid+1, r);
}

int main(){

    tot=0, totx=0;
    scanf("%lld%lld", &n, &m);
    BT(1, 1, n);
    LL k, x, y, v;
    for(LL i=1; i<=m; i++){
        scanf("%lld%lld%lld%lld", &k, &x, &y, &v);
        if(k==1){
            q[++tot].x=v, q[tot].y=1, q[tot].type=1, q[tot].l=x, q[tot].r=y;
        }
        else{
            q[++tot].type=2, q[tot].k=v, q[tot].l=x, q[tot].r=y, q[tot].id=++totx;
        }
    }
    solve(1, m, -n, n);
    for(LL i=1; i<=totx; i++){
        printf("%lld\n", ans[i]);
    }

    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。
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