分块大法

所谓分块,就是将原序列处理成各个小块,目的是尽量地达到处理和询问之间的平衡对于分块类问题,常常可以提取出“在给定区间内进行操作,或询问区间内满足给定条件的元素等”。接下来,例题。

首先是男神hzwer的博客链接 hzwer
因为下述题目皆由此改变。

问题 A: 小Z的课堂检测
时间限制: 1 Sec
内存限制: 128 MB
题目描述
大家都知道小Z的课总是十分快的(鬼知道为什么),然后我们阿M同学总是在上课时处于神游状态亦或是休眠状态,所以她对小Z到底讲了什么是一无所知。然而,小Z总是很坏地打断阿M的休眠状态,并问她问题。作为阿M的开黑好伙伴,你当然不希望阿M同学翻车(不然下一个回答问题的人就是你啦)。所以你需要编写个程序帮助阿M求小Z对于知识点到底讲的档次有多深。已知小Z在课上总会扯到涉及到N个知识点,小Z会进行M个动作(讲课或是提问阿M)。由于小Z比较古灵精怪,所以小Z的讲课时只会讲连续的知识点,并且对于这段区间内的知识点都提升一样的档次。而且,小Z也比较懒,所以小Z只会问阿M关于某一个知识点的了解程度。
输入
第一行读入N,表示小Z要涉及到N个知识点
第二行读入A[1],A[2]……A[N-1],A[N]表示小Z上几节课已经把第i个知识点的 难度提升到A[i]的难度
第三行读入M,表示小Z要进行M个动作
接下来M行,读入Choice
若Choice=1,则表示小Z要讲课啦
接下来读入L,R,X 表示小Z要对L到R这些连续的知识点提升难度X
若Choice=2,则表示小Z要提问啦
接下来读入K,表示小Z问阿M第K个知识点他已经讲到哪个难度了
输出
每行输出一个数表示阿M应该回答的正确答案
样例输入
10
1 2 3 4 5 6 7 8 9 10
5
1 2 3 4
2 3
1 3 4 5
2 5
1 5 8 5

7
5 3 7 7 5 8 5
9
1 2 7 -1
2 1
2 2
1 2 3 1
1 2 7 2
2 2
1 3 3 -1
2 3
2 1
样例输出
7
5

5
2
5
8
5
数据范围
对于50%的数据,N<=1000,M<=1000
对于100%的数据,N<=100000,M<=100000 |X|<=50000
|A[i]|<=50000;

简单思路:
首先是最暴力的思路,对于每次修改暴力for一遍,我们不难发现,这样做,并不是所有的修改在后面的过程中都会被询问到,所以我们考虑分块。
我们假设序列长n,每块大小为m,所以共有n/m个块。
对于每段修改[l,r],同样分块后,最多处理得到n/m个完整的块,和左右两段不完整的块,图示如下:这里写图片描述
所以每次修改的时间复杂度为O(n/m+m),由基本不等式,易得,当n/m=m=sqrt(n)时,我们得到的块的大小是比较合理的。
对于查询x,ans=a[x]+tag[bl[x]]。

代码实现:

#include<bits/stdc++.h>
#define ll long long
using namespace std;
ll tag[500005],bl[500005],a[500005];
ll cho,n,m,del,l,r,x,blo;
void deal(ll l,ll r,ll del)
{
    for (int i=l;i<=min(r,blo*bl[l]);i++) a[i]+=del;
    if (bl[l]!=bl[r]) 
     for (int i=(bl[r]-1)*blo+1;i<=r;i++) a[i]+=del;
    for (int i=bl[l]+1;i<=bl[r]-1;i++) tag[i]+
  • 8
    点赞
  • 15
    收藏
    觉得还不错? 一键收藏
  • 6
    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 6
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