[NOIP2019模拟赛][AT2381] Nuske vs Phantom Thnook

题目链接

评测姬好快啊(港记号?)暴力40pts变成60pts

因为题目说了保证蓝色点两两之间只有一条路径,所以肯定组成了一棵树,而对于每次询问的x1,y1,x2,y2的子矩阵中就存在着一个森林

不难知道对于一个森林,其中树(联通块)的数量为$V-E$(V为节点数,E为边数)

也就是说对于每一个询问,只要求出蓝色节点数减去边数的答案就好了

点数和边数都可以用二维前缀和求,其中边可以分横边和竖边分别记录

 

 1 #pragma GCC optimize("Ofast")
 2 #include<bits/stdc++.h>
 3 using namespace std;
 4 inline int read(){
 5     int ans=0,f=1;char chr=getchar();
 6     while(!isdigit(chr)){if(chr=='-')f=-1;chr=getchar();}
 7     while(isdigit(chr)) {ans=(ans<<3)+(ans<<1)+chr-48;chr=getchar();}
 8     return ans*f;
 9 }const int M = 2005;
10 int n,m,Q,s[2005][2005],v[2005][2005],sx,sy,tx,ty,ans;
11 int dx[]={0,1,0,-1},
12     dy[]={1,0,-1,0};
13 char a[2005][2005];
14 void dfs(int x,int y){
15     v[x][y]=1;
16     for(int i=0;i<4;i++){
17         int fx=x+dx[i],fy=y+dy[i];
18         if(v[fx][fy]||fx<sx||fx>tx||fy<sy||fy>ty||a[fx][fy]=='0') continue;
19         dfs(fx,fy);
20     }
21 }
22 inline void BF(){
23     while(Q--){
24         memset(v,0,sizeof(v));ans=0;
25         sx=read(),sy=read(),tx=read(),ty=read();
26         for(int i=sx;i<=tx;i++)
27             for(int j=sy;j<=ty;j++)
28                 if(!v[i][j]&&a[i][j]=='1') ans++,dfs(i,j);
29         printf("%d\n",ans);
30     }
31 }int s1[M][M],s2[M][M],s3[M][M];
32 inline void Solve(){
33     for(int i=1;i<=n;i++)
34         for(int j=1;j<=m;j++)
35             a[i][j]=(a[i][j]=='1');
36     for(int i=1;i<=n;i++)
37         for(int j=1;j<=m;j++)
38             s1[i][j]=a[i][j]+s1[i-1][j]+s1[i][j-1]-s1[i-1][j-1],
39             s2[i][j]=(a[i][j]&&a[i+1][j])+s2[i-1][j]+s2[i][j-1]-s2[i-1][j-1],
40             s3[i][j]=(a[i][j]&&a[i][j+1])+s3[i-1][j]+s3[i][j-1]-s3[i-1][j-1];
41     while(Q--){
42         sx=read(),sy=read(),tx=read(),ty=read();
43         int V=s1[tx][ty]-s1[sx-1][ty]-s1[tx][sy-1]+s1[sx-1][sy-1];
44         int E=s2[tx-1][ty]-s2[tx-1][sy-1]-s2[sx-1][ty]+s2[sx-1][sy-1]
45              +s3[tx][ty-1]-s3[sx-1][ty-1]-s3[tx][sy-1]+s3[sx-1][sy-1];
46         printf("%d\n",V-E);
47     }
48     
49 }
50 int main(){
51     freopen("wang.in","r",stdin);
52     freopen("wang.out","w",stdout);
53     n=read(),m=read(),Q=read();
54     for(int i=1;i<=n;i++)for(int j=1;j<=m;j++)cin>>a[i][j];
55 //    BF();
56     Solve();
57     return 0;
58 }

 

转载于:https://www.cnblogs.com/zhenglw/p/11342693.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
VR(Virtual Reality)即虚拟现实,是一种可以创建和体验虚拟世界的计算机技术。它利用计算机生成一种模拟环境,是一种多源信息融合的、交互式的三维动态视景和实体行为的系统仿真,使用户沉浸到该环境中。VR技术通过模拟人的视觉、听觉、触觉等感觉器官功能,使人能够沉浸在计算机生成的虚拟境界中,并能够通过语言、手势等自然的方式与之进行实时交互,创建了一种适人化的多维信息空间。 VR技术具有以下主要特点: 沉浸感:用户感到作为主角存在于模拟环境中的真实程度。理想的模拟环境应该使用户难以分辨真假,使用户全身心地投入到计算机创建的三维虚拟环境中,该环境中的一切看上去是真的,听上去是真的,动起来是真的,甚至闻起来、尝起来等一切感觉都是真的,如同在现实世界中的感觉一样。 交互性:用户对模拟环境内物体的可操作程度和从环境得到反馈的自然程度(包括实时性)。例如,用户可以用手去直接抓取模拟环境中虚拟的物体,这时手有握着东西的感觉,并可以感觉物体的重量,视野中被抓的物体也能立刻随着手的移动而移动。 构想性:也称想象性,指用户沉浸在多维信息空间中,依靠自己的感知和认知能力获取知识,发挥主观能动性,寻求解答,形成新的概念。此概念不仅是指观念上或语言上的创意,而且可以是指对某些客观存在事物的创造性设想和安排。 VR技术可以应用于各个领域,如游戏、娱乐、教育、医疗、军事、房地产、工业仿真等。随着VR技术的不断发展,它正在改变人们的生活和工作方式,为人们带来全新的体验。
VR(Virtual Reality)即虚拟现实,是一种可以创建和体验虚拟世界的计算机技术。它利用计算机生成一种模拟环境,是一种多源信息融合的、交互式的三维动态视景和实体行为的系统仿真,使用户沉浸到该环境中。VR技术通过模拟人的视觉、听觉、触觉等感觉器官功能,使人能够沉浸在计算机生成的虚拟境界中,并能够通过语言、手势等自然的方式与之进行实时交互,创建了一种适人化的多维信息空间。 VR技术具有以下主要特点: 沉浸感:用户感到作为主角存在于模拟环境中的真实程度。理想的模拟环境应该使用户难以分辨真假,使用户全身心地投入到计算机创建的三维虚拟环境中,该环境中的一切看上去是真的,听上去是真的,动起来是真的,甚至闻起来、尝起来等一切感觉都是真的,如同在现实世界中的感觉一样。 交互性:用户对模拟环境内物体的可操作程度和从环境得到反馈的自然程度(包括实时性)。例如,用户可以用手去直接抓取模拟环境中虚拟的物体,这时手有握着东西的感觉,并可以感觉物体的重量,视野中被抓的物体也能立刻随着手的移动而移动。 构想性:也称想象性,指用户沉浸在多维信息空间中,依靠自己的感知和认知能力获取知识,发挥主观能动性,寻求解答,形成新的概念。此概念不仅是指观念上或语言上的创意,而且可以是指对某些客观存在事物的创造性设想和安排。 VR技术可以应用于各个领域,如游戏、娱乐、教育、医疗、军事、房地产、工业仿真等。随着VR技术的不断发展,它正在改变人们的生活和工作方式,为人们带来全新的体验。
基于GPT-SoVITS的视频剪辑快捷配音工具 GPT, 通常指的是“Generative Pre-trained Transformer”(生成式预训练转换器),是一个在自然语言处理(NLP)领域非常流行的深度学习模型架构。GPT模型由OpenAI公司开发,并在多个NLP任务上取得了显著的性能提升。 GPT模型的核心是一个多层Transformer解码器结构,它通过在海量的文本数据上进行预训练来学习语言的规律。这种预训练方式使得GPT模型能够捕捉到丰富的上下文信息,并生成流畅、自然的文本。 GPT模型的训练过程可以分为两个阶段: 预训练阶段:在这个阶段,模型会接触到大量的文本数据,并通过无监督学习的方式学习语言的结构和规律。具体来说,模型会尝试预测文本序列中的下一个词或短语,从而学习到语言的语法、语义和上下文信息。 微调阶段(也称为下游任务训练):在预训练完成后,模型会被应用到具体的NLP任务中,如文本分类、机器翻译、问答系统等。在这个阶段,模型会使用有标签的数据进行微调,以适应特定任务的需求。通过微调,模型能够学习到与任务相关的特定知识,并进一步提高在该任务上的性能。 GPT模型的优势在于其强大的生成能力和对上下文信息的捕捉能力。这使得GPT模型在自然语言生成、文本摘要、对话系统等领域具有广泛的应用前景。同时,GPT模型也面临一些挑战,如计算资源消耗大、训练时间长等问题。为了解决这些问题,研究人员不断提出新的优化方法和扩展模型架构,如GPT-2、GPT-3等,以进一步提高模型的性能和效率。

“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