分块大法——单点更新模板

敌兵布阵

Time Limit: 2000/1000 MS (Java/Others)    Memory Limit: 65536/32768 K (Java/Others)
Total Submission(s): 87347    Accepted Submission(s): 36795


Problem Description
C国的死对头A国这段时间正在进行军事演习,所以C国间谍头子Derek和他手下Tidy又开始忙乎了。A国在海岸线沿直线布置了N个工兵营地,Derek和Tidy的任务就是要监视这些工兵营地的活动情况。由于采取了某种先进的监测手段,所以每个工兵营地的人数C国都掌握的一清二楚,每个工兵营地的人数都有可能发生变动,可能增加或减少若干人手,但这些都逃不过C国的监视。
中央情报局要研究敌人究竟演习什么战术,所以Tidy要随时向Derek汇报某一段连续的工兵营地一共有多少人,例如Derek问:“Tidy,马上汇报第3个营地到第10个营地共有多少人!”Tidy就要马上开始计算这一段的总人数并汇报。但敌兵营地的人数经常变动,而Derek每次询问的段都不一样,所以Tidy不得不每次都一个一个营地的去数,很快就精疲力尽了,Derek对Tidy的计算速度越来越不满:"你个死肥仔,算得这么慢,我炒你鱿鱼!”Tidy想:“你自己来算算看,这可真是一项累人的工作!我恨不得你炒我鱿鱼呢!”无奈之下,Tidy只好打电话向计算机专家Windbreaker求救,Windbreaker说:“死肥仔,叫你平时做多点acm题和看多点算法书,现在尝到苦果了吧!”Tidy说:"我知错了。。。"但Windbreaker已经挂掉电话了。Tidy很苦恼,这么算他真的会崩溃的,聪明的读者,你能写个程序帮他完成这项工作吗?不过如果你的程序效率不够高的话,Tidy还是会受到Derek的责骂的.
 

Input
第一行一个整数T,表示有T组数据。
每组数据第一行一个正整数N(N<=50000),表示敌人有N个工兵营地,接下来有N个正整数,第i个正整数ai代表第i个工兵营地里开始时有ai个人(1<=ai<=50)。
接下来每行有一条命令,命令有4种形式:
(1) Add i j,i和j为正整数,表示第i个营地增加j个人(j不超过30)
(2)Sub i j ,i和j为正整数,表示第i个营地减少j个人(j不超过30);
(3)Query i j ,i和j为正整数,i<=j,表示询问第i到第j个营地的总人数;
(4)End 表示结束,这条命令在每组数据最后出现;
每组数据最多有40000条命令
 

Output
对第i组数据,首先输出“Case i:”和回车,
对于每个Query询问,输出一个整数并回车,表示询问的段中的总人数,这个数保持在int以内。
 

Sample Input
  
  
1 10 1 2 3 4 5 6 7 8 9 10 Query 1 3 Add 3 6 Query 2 7 Sub 10 2 Add 6 3 Query 3 10 End
 

Sample Output
Case 1:
6
33
59


分析:这是一道线段树单点更新的入门题,但是我们可以用分块来进行处理,用分块来实现线段树的单点更新功能,其中的查询函数,加减函数都可以作为模板进行使用。在进行修改的时候只要把build下面的部分进行修改即可,上半部分保持不动

#include <bits/stdc++.h>


using namespace std;

const int maxn=50005;

int block,belong[maxn],num,l[maxn],r[maxn],n,q;

int a[maxn],sum[maxn]; //a数组本身就有一种类似离散化的关系。




void build()
{

    block = sqrt(n);//一块里面有多少个数

    num = n/block;

    if(n%block) num++; //一共多少块,不干净再多一块

    for(int i=1; i<=num; i++)
    {
        l[i]=(i-1)*block + 1;  //每个块的起始位置
        r[i]=i*block;  //每个块的终止位置
    }

    r[num]=n;

    for(int i=1; i<=n; i++)
    {
        belong[i]=(i-1)/block +1; //枚举判断每个元素判断属于第几个块
    }

    for(int i=0; i<num; i++)
        for(int j=1; j<=block; j++)
        {
            sum[i+1]+=a[i*block+j]; //从1开始每个块的数量和
        }

}

int t;

//以下三个元素的x代表的都是原先数组的下标

int query(int x,int y)
{
    int q=belong[x];

    int w=belong[y];

    int ans=0;

    if(w>q)
    {
        for(int i=x; i<=r[q]; i++)
        {
            ans+=a[i];
        }

        for(int i=q+1; i<w; i++)
        {
            ans+=sum[i];
        }

        for(int i=l[w]; i<=y; i++)
        {
            ans+=a[i];
        }

    }

    else
    {
        for(int i=x;i<=y;i++)
        {
            ans+=a[i];
        }
    }

    return ans;
}

void add(int x,int y)
{
    int q=belong[x];
    sum[q]+=y;
    a[x]+=y;
}

void sub(int x,int y)
{
    int q=belong[x];
    sum[q]-=y;
    a[x]-=y;
}

int main()
{
    int q,w,e;

    cin>>t;

    string a1;

    for(int l=1; l<=t; l++)
    {
        printf("Case %d:\n",l);

        memset(a,0,sizeof(a));
        memset(sum,0,sizeof(sum));

        memset(belong,0,sizeof(belong));

        scanf("%d",&n);

        for(int i=1; i<=n; i++)
        {
            scanf("%d",&a[i]);
        }

        build();

      while(cin>>a1 && a1!="End")
        {
            scanf("%d%d",&w,&e);

            if(a1=="Query")
            {
                cout<<query(w,e)<<endl;
                continue;
            }

            if(a1=="Add")
            {
                add(w,e);
                continue;
            }
            if(a1=="Sub")
            {
                sub(w,e);
                continue;
            }

        }

    }
   return 0;
}


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
分块大津法(Block Jaccard Index)在MATLAB中主要用于图像处理和数据分析中,特别是比较两个图像或数据集的相似度。这种方法将数据或图像分割成多个小块(或称为窗口),然后计算每个小块内的交集和并集,最后根据Jaccard相似系数(也叫Jaccard指数,是交集大小除以并集大小)来评估整体的相似性。这在处理大型数据集或减小内存需求时很有用。 在MATLAB中实现分块大津法的基本步骤可能包括以下几个部分: 1. **数据预处理**:首先,将输入数据(如矩阵或图像)分割成指定大小的块。 2. **计算交集和并集**:对于每个块,计算它与另一个块的交集(共享元素的数量)和并集(总元素数量)。 3. **累加得分**:对所有块的Jaccard分数求和或平均,得到整个数据集的相似度评分。 4. **可能的优化**:使用并行计算或多线程来加速计算过程,如果数据量非常大。 具体代码可能类似于这样(假设有一个`data1`和`data2`的矩阵,`blockSize`是块的大小): ```matlab function similarity = blockJaccard(data1, data2, blockSize) [rows, cols] = size(data1); numBlocks = ceil([rows cols] / blockSize); % 初始化得分矩阵 similarityMatrix = zeros(numBlocks); % 分块计算 for i = 1:numBlocks startRow = i * blockSize(1); endRow = min(startRow + blockSize(1) - 1, rows); startCol = i * blockSize(2); endCol = min(startCol + blockSize(2) - 1, cols); % 计算当前块的交集和并集 blockData1 = data1(startRow:endRow, startCol:endCol); blockData2 = data2(startRow:endRow, startCol:endCol); intersection = sum(blockData1 & blockData2); union = sum(blockData1 | blockData2); % 更新得分矩阵 similarityMatrix(i) = intersection / union; end % 计算总相似度 similarity = sum(similarityMatrix); end ```

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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