ZOJ2112 Dynamic Ranking (主席树+树状数组)


/*给定n个数,可以动态修改某个数,随时查询某个区间第k大的值。
http://blog.csdn.net/regina8023/article/details/41911837
树状数组套主席树。
*/
#include <iostream>
#include <algorithm>
#include <cstdio>
#include <cstring>
#include <cstdlib>
#include <cmath>

#define maxn 10005
using namespace std;
int use[maxn*10],n,m,size,tot=0,all=0,h[maxn*10],v[maxn*10],t[maxn*10];

struct chairtree
{
	int l,r,size;		//size保存[l,r]区间数据的个数 
}a[maxn*300];

//记录输入的m条指令 
struct question
{
	int l,r,k;
}q[maxn];


//树状数组 
int lowbit(int x)
{
	return x&(-x);
}

//对数组h排序,并求出有多少个不同的值 
void Hash1()
{
	sort(h+1,h+1+all);
	size=unique(h+1,h+1+all)-h-1;
}

//求出x在去重后的数据中的序号 
int Hash(int x)
{
	return lower_bound(h+1,h+1+size,x)-h;
}

//建线段树 
int Build(int l,int r)
{
	int now=++tot;
	a[now].size=0;
	if (l==r) return now;
	int m=(l+r)>>1;
	a[now].l=Build(l,m);
	a[now].r=Build(m+1,r);
	return now;
}

//更新。每更新一个节点相当于建立新的线段树 
//非递归更新 
//val为1或-1.表示删除数据或新增数据
//修改数据:要先删除然后再增加 
int Update(int root,int p,int val)
{
	int now=++tot,tmp=now;
	int l=1,r=size;
	
	a[now].size=a[root].size+val;	//now是新节点 
	
	while (l<r) //非递归更新 
	{
		int m=(l+r)>>1;
		if (p<=m)		//左子树新增节点 
		{
			a[now].l=++tot;			a[now].r=a[root].r;
			root=a[root].l;			now=a[now].l;
			r=m;
		}
		else		//右子树新增节点 
		{
			a[now].l=a[root].l;		a[now].r=++tot;
			root=a[root].r;			now=a[now].r;
			l=m+1;
		}
		a[now].size=a[root].size+val;
	}
	return tmp;
}

//把第x个数改成p(p已经离散化为去重后的序号)
//val为1或-1 
void Add(int x,int p,int val)
{
	printf("Add:%d ->%d %d  Change:",x,p,val);
	for (int i=x;i<=n;i+=lowbit(i))    //树状数组只需修改logn个
	{
		t[i]=Update(t[i],p,val);
		printf("%d ",i);
	}
	printf("\n");
}

//统计与x相关的树状数组对应的主席树的左子树个数
//因为要找第k大的元素,只计算左边就可以知道第k大的数是在左还是在右 
int Getsum(int x)
{
	int ans=0;
	for (int i=x;i;i-=lowbit(i))
		ans+=a[a[use[i]].l].size;
	return ans;
}

//查询区间 [lx,rx]的第k个数 
int Query(int lx,int rx,int k)
{
	int l=1,r=size;
	
	//求出rx,lx-1对应的树状数组+主席树 
	for (int i=lx-1;i;i-=lowbit(i)) use[i]=t[i];
	for (int i=rx;i;i-=lowbit(i)) use[i]=t[i];
	
	while (l<r)
	{
		int m=(l+r)>>1;
		int tmp=Getsum(rx)-Getsum(lx-1);
		
		if (tmp>=k)	//第k大的数在左子树,往左子树走 
		{
			for (int i=lx-1;i;i-=lowbit(i)) 
				use[i]=a[use[i]].l;
	        for (int i=rx;i;i-=lowbit(i)) 
				use[i]=a[use[i]].l;
	        r=m;
		}
		else	//往右子树走 
		{
			for (int i=lx-1;i;i-=lowbit(i))
				use[i]=a[use[i]].r;
			for (int i=rx;i;i-=lowbit(i))
				use[i]=a[use[i]].r;
			k-=tmp;
			l=m+1;
		}
	}
	return l;
}
int main()
{
    freopen("a.txt","r",stdin);
    
	scanf("%d%d",&n,&m);
	for (int i=1;i<=n;i++)
		scanf("%d",&v[i]),h[i]=v[i];
	all=n;
	for (int i=1;i<=m;i++)
	{
		char str[10];
		int l,r,k;
		scanf("%s",str);
		if (str[0]=='Q')
		{
			scanf("%d%d%d",&l,&r,&k);	//查询[l,r]区间第k大的数 
			q[i].l=l,q[i].r=r,q[i].k=k;
		}
		else
		{
			scanf("%d%d",&r,&k);	//把第r个数改为k 
			q[i].l=0,q[i].r=r,q[i].k=k;
            h[++all]=k;
		}
	}
	
	//h数组记录了全部数据(包括后面要修改的数据)
	
	Hash1();   //去掉重复的数据,size为不相同的数据个数 
	
	
	//对每个数据建立一棵树(主席树) 
	t[0]=Build(1,size);
	for (int i=1;i<=n;i++)
		t[i]=t[0];
		
	//按顺序把原数据增加到对应的主席树
	//同时修改多棵树 lowbit(x) 
	for (int i=1;i<=n;i++)
		Add(i,Hash(v[i]),1);
		
	//处理给出的指令 
	for (int i=1;i<=m;i++)
	{
		if (q[i].l)
		{
			printf("%d\n",h[Query(q[i].l,q[i].r,q[i].k)]);
		}
		else
		{
			Add(q[i].r,Hash(v[q[i].r]),-1); //先把原数去掉 
			Add(q[i].r,Hash(q[i].k),1);		//增加新数 
			v[q[i].r]=q[i].k;				//v数组保存最新的数据 
		}
	}
	return 0;
}


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