Practice for KD Tree

链接:https://ac.nowcoder.com/acm/problem/201927
来源:牛客网

题目描述
It’s time to have a break and implement something.
You are given an n × n n\times n n×n matrix A {A} A. All the elements are zero initially.
First, you need to perform m 1 m_1 m1 range addition operations. For each operations, you are given x 1 , y 1 , x 2 , y 2 , w   ( 1 ≤ x 1 ≤ x 2 ≤ n , 1 ≤ y 1 ≤ y 2 ≤ n ) x_1, y_1, x_2, y_2, w~(1\leq x_1\leq x_2 \leq n, 1\leq y_1 \leq y_2\leq n) x1,y1,x2,y2,w (1x1x2n,1y1y2n).You need to add w w w to all the elements A i , j A_{i,j} Ai,j where x 1 ≤ i ≤ x 2 x_1\leq i\leq x_2 x1ix2 and y 1 ≤ j ≤ y 2 y_1\leq j \leq y_2 y1jy2.
Then you need to perform m 2 m_2 m2 range maximum queries. For each operations, you are given x 1 , y 1 , x 2 , y 2   ( 1 ≤ x 1 ≤ x 2 ≤ n , 1 ≤ y 1 ≤ y 2 ≤ n ) x_1, y_1, x_2, y_2~(1\leq x_1\leq x_2 \leq n, 1\leq y_1 \leq y_2\leq n) x1,y1,x2,y2 (1x1x2n,1y1y2n). You need to answer the maximum element among the elements A i , j A_{i,j} Ai,j that satisify x 1 ≤ i ≤ x 2 x_1\leq i\leq x_2 x1ix2 and y 1 ≤ j ≤ y 2 y_1\leq j \leq y_2 y1jy2.
输入描述:
The first line contains three integers
n , m 1 , m 2   ( 1 ≤ n ≤ 2000 , 1 ≤ m 1 ≤ 5 × 1 0 4 , 1 ≤ m 2 ≤ 5 × 1 0 5 ) n, m_1, m_2~(1\leq n\leq 2000, 1\leq m_1 \leq 5 \times 10^4, 1\leq m_2 \leq 5 \times 10^5) n,m1,m2 (1n2000,1m15×104,1m25×105)
Each of the following m 1 m_1 m1 lines contains five integers
x 1 , y 1 , x 2 , y 2 , w   ( 1 ≤ x 1 ≤ x 2 ≤ n , 1 ≤ y 1 ≤ y 2 ≤ n , 1 ≤ w ≤ 1 0 9 ) x_1, y_1, x_2, y_2, w~(1\leq x_1\leq x_2\leq n, 1\leq y_1 \leq y_2 \leq n, 1\leq w \leq 10^9) x1,y1,x2,y2,w (1x1x2n,1y1y2n,1w109)
Each of the following m 2 m_2 m2 lines contains four integers
x 1 , y 1 , x 2 , y 2   ( 1 ≤ x 1 ≤ x 2 ≤ n , 1 ≤ y 1 ≤ y 2 ≤ n ) x_1, y_1, x_2, y_2~(1\leq x_1\leq x_2\leq n, 1\leq y_1 \leq y_2 \leq n) x1,y1,x2,y2 (1x1x2n,1y1y2n)
输出描述:
Output m 2 m_2 m2 lines, each of which contains one integer.
示例1

输入
5 5 5
1 1 4 5 4
4 1 4 1 10
1 3 3 3 3
1 1 5 5 8
2 4 4 5 8
2 1 2 1
4 1 5 4
1 2 3 5
2 1 5 3
1 3 5 5
输出
12
22
20
22
20

虽然题目是K-D树练习,但是用K-D树会T(可能是我太菜了
看起来像是线段树维护区间最值,不过是二维的。对着线段树的板子yy了一个二维线段树,没想到真就有这个东西。
不过需要加一个剪枝优化,不然过不了。

#include<bits/stdc++.h>
 
#define si(a) scanf("%d",&a)
#define sl(a) scanf("%lld",&a)
#define sd(a) scanf("%lf",&a)
#define sc(a) scahf("%c",&a);
#define ss(a) scanf("%s",a)
#define pi(a) printf("%d\n",a)
#define pl(a) printf("%lld\n",a)
#define pc(a) putchar(a)
#define ms(a) memset(a,0,sizeof(a))
#define repi(i, a, b) for(register int i=a;i<=b;++i)
#define repd(i, a, b) for(register int i=a;i>=b;--i)
#define reps(s) for(register int i=head[s];i;i=Next[i])
#define ll long long
#define ull unsigned long long
#define vi vector<int>
#define pii pair<int,int>
#define mii unordered_map<int,int>
#define msi unordered_map<string,int>
#define lowbit(x) ((x)&(-(x)))
#define ce(i, r) i==r?'\n':' '
#define pb push_back
#define fi first
#define se second
#define INF 0x3f3f3f3f
#define pr(x) cout<<#x<<": "<<x<<endl
using namespace std;
 
inline int qr() {
    int f = 0, fu = 1;
    char c = getchar();
    while (c < '0' || c > '9') {
        if (c == '-')fu = -1;
        c = getchar();
    }
    while (c >= '0' && c <= '9') {
        f = (f << 3) + (f << 1) + c - 48;
        c = getchar();
    }
    return f * fu;
}
 
const int N = 2e3 + 10;
ll a[N][N];
 
struct Tree {
#define son(x) (p*4-2+x)
    struct {
        int l1, r1, l2, r2;
        ll dat;
    } t[N * N * 8];
 
    void build(int p, int l1, int r1, int l2, int r2) {
        if (r1 < l1 || r2 < l2)return;
        t[p].l1 = l1, t[p].r1 = r1, t[p].l2 = l2, t[p].r2 = r2;
        if (l1 == r1 && l2 == r2) {
            t[p].dat = a[l1][l2];
            return;
        }
        int mid1 = (l1 + r1) >> 1, mid2 = (l2 + r2) >> 1;
        build(son(0), l1, mid1, l2, mid2);
        build(son(1), l1, mid1, mid2 + 1, r2);
        build(son(2), mid1 + 1, r1, l2, mid2);
        build(son(3), mid1 + 1, r1, mid2 + 1, r2);
        t[p].dat = max(max(t[son(0)].dat, t[son(1)].dat), max(t[son(2)].dat, t[son(3)].dat));
    }
 
    void change(int p, int x, int y, ll v) {
        if (t[p].l1 == t[p].r1 && t[p].l2 == t[p].r2) {
            t[p].dat = v;
            return;
        }
        int mid1 = (t[p].l1 + t[p].r1) >> 1, mid2 = (t[p].l2 + t[p].r2) >> 1;
        if (x <= mid1) {
            if (y <= mid2)change(son(0), x, y, v);
            else change(son(1), x, y, v);
        } else {
            if (y <= mid2)change(son(2), x, y, v);
            else change(son(3), x, y, v);
        }
        t[p].dat = max(max(t[son(0)].dat, t[son(1)].dat), max(t[son(2)].dat, t[son(3)].dat));
    }
    ll ans;
    ll ask(int p, int l1, int r1, int l2, int r2) {
        if(t[p].dat<=ans)return ans;
        if (l1 <= t[p].l1 && r1 >= t[p].r1 && l2 <= t[p].l2 && r2 >= t[p].r2)return ans=t[p].dat;
        int mid1 = (t[p].l1 + t[p].r1) >> 1, mid2 = (t[p].l2 + t[p].r2) >> 1;
        if (l1 <= mid1) {
            if (l2 <= mid2)ans = max(ans, ask(son(0), l1, r1, l2, r2));
            if (r2 > mid2 && mid2 < t[p].r2)ans = max(ans, ask(son(1), l1, r1, l2, r2));
        }
        if (r1 > mid1 && mid1 < t[p].r1) {
            if (l2 <= mid2)ans = max(ans, ask(son(2), l1, r1, l2, r2));
            if (r2 > mid2 && mid2 < t[p].r2)ans = max(ans, ask(son(3), l1, r1, l2, r2));
        }
        return ans;
    }
} tr;
 
int n, m1, m2;
 
 
int main() {
    n = qr(), m1 = qr(), m2 = qr();
    while (m1--) {
        int x1 = qr(), y1 = qr(), x2 = qr(), y2 = qr(), w = qr();
        a[x1][y1] += w;
        a[x1][y2 + 1] -= w;
        a[x2 + 1][y1] -= w;
        a[x2 + 1][y2 + 1] += w;
    }
    repi(i, 1, n) repi(j, 1, n)a[i][j] += a[i - 1][j] + a[i][j - 1] - a[i - 1][j - 1];
    tr.build(1, 1, n, 1, n);
    while (m2--) {
        int x1 = qr(), y1 = qr(), x2 = qr(), y2 = qr();
        tr.ans=0;
        pl(tr.ask(1, x1, x2, y1, y2));
    }
    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。
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

打赏作者

_sky123_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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