HDU 3966 树链剖分学习

这道题不难,看出是树链剖分就很简单,其实奇异也很明显就是一个树链剖分,不过这次不是把树链扔到线段树上,是把节点扔到线段树上。这个时候注意一下w[1] = 1就行了,其他就是线段树的一个区间覆盖的问题了。

#include <iostream>
#include <cstdio>
#include <cstring>
#include <cmath>
#include <algorithm>
#include <map>
#define LL long long
#define FOR(i,x,y)  for(int i = x;i < y;i ++)
#define IFOR(i,x,y) for(int i = x;i > y;i --)
#define lrt rt<<1
#define rrt rt<<1|1
#define lson rt<<1,l,mid
#define rson rt<<1|1,mid+1,r
#define MAXN 55000

using namespace std;

int n,m,p;

struct Edge{
    int u,v;
    int nt;
}edge[MAXN<<1];

int edge_cnt,head[MAXN];

void add_edge(int u,int v){
    edge[edge_cnt].u = u;
    edge[edge_cnt].v = v;
    edge[edge_cnt].nt = head[u];
    head[u] = edge_cnt++;
}

int fa[MAXN],top[MAXN],sz[MAXN],son[MAXN],dep[MAXN],w[MAXN],val[MAXN],totw;

void dfs1(int u,int father,int depth){
    fa[u] = father; sz[u] = 1; dep[u] = depth;
    int idd = -1,maxx = -1;
    for(int i = head[u];i != -1;i = edge[i].nt){
        int v = edge[i].v;
        if(v == father) continue;
        dfs1(v,u,depth+1);
        sz[u] += sz[v];
        if(sz[v] > maxx){
            maxx = sz[v];
            idd = v;
        }
    }
    son[u] = idd;
}

void dfs2(int u,int father){
    if(son[u] == -1)    return;
    top[son[u]] = top[u];
    w[son[u]] = ++totw;
    dfs2(son[u],u);
    for(int i = head[u];i != -1;i = edge[i].nt){
        int v = edge[i].v;
        if(v == father) continue;
        if(v == son[u]) continue;
        top[v] = v;
        w[v] = ++totw;
        dfs2(v,u);
    }
}

struct Tree{
    int l,r;
    int lazy;
}tree[MAXN<<2];

void PushDown(int rt){
    if(tree[rt].lazy){
        tree[lrt].lazy += tree[rt].lazy;
        tree[rrt].lazy += tree[rt].lazy;
        tree[rt].lazy = 0;
    }
}

void Build(int rt,int l,int r){
    tree[rt].l = l; tree[rt].r = r; tree[rt].lazy = 0;
    if(l == r)  return;
    int mid = (l+r)>>1;
    Build(lson);
    Build(rson);
}

void Modify(int rt,int l,int r,int value){
    if(tree[rt].l == l && tree[rt].r == r){
        tree[rt].lazy += value;
        return;
    }
    PushDown(rt);
    int mid = (tree[rt].l + tree[rt].r)>>1;
    if(r <= mid) Modify(lrt,l,r,value);
    else if(l > mid) Modify(rrt,l,r,value);
    else{
        Modify(lson,value);
        Modify(rson,value);
    }
}

int Query(int rt,int x){
    if(tree[rt].l == tree[rt].r){
        return tree[rt].lazy;
    }
    PushDown(rt);
    int mid = (tree[rt].l + tree[rt].r)>>1;
    if(x <= mid)    return Query(lrt,x);
    else return Query(rrt,x);
}

void C_Modify(int l,int r,int value){
    while(top[l] != top[r]){
        if(dep[top[l]] >= dep[top[r]]){
            Modify(1,w[top[l]],w[l],value);
            l = fa[top[l]];
        }
        else{
            Modify(1,w[top[r]],w[r],value);
            r = fa[top[r]];
        }
    }
    if(l == r){
        Modify(1,w[l],w[r],value);
    }
    else if(dep[l] >= dep[r]){
        Modify(1,w[r],w[l],value);
    }
    else Modify(1,w[l],w[r],value);
}

int main()
{
    //freopen("test.in","r",stdin);
    while(~scanf("%d%d%d",&n,&m,&p)){
        FOR(i,1,n+1)    scanf("%d",&val[i]);
        edge_cnt = 0;
        memset(head,-1,sizeof(head));
        FOR(i,0,m){
            int u,v;
            scanf("%d%d",&u,&v);
            add_edge(u,v);
            add_edge(v,u);
        }
        dfs1(1,-1,1);
        totw = 0;
        top[1] = 1;
        w[1] = ++totw;
        dfs2(1,-1);
        Build(1,1,totw);
        FOR(i,0,p){
            char op[10];
            scanf("%s",op);
            if(op[0] == 'I'){
                int l,r,value;
                scanf("%d%d%d",&l,&r,&value);
                C_Modify(l,r,value);
            }
            else if(op[0] == 'D'){
                int l,r,value;
                scanf("%d%d%d",&l,&r,&value);
                C_Modify(l,r,-value);
            }
            else{
                int x;
                scanf("%d",&x);
                printf("%d\n",val[x]+Query(1,w[x]));
            }
        }
    }
    return 0;
}


版权声明:本文为博主原创文章,未经博主允许不得转载。

转载于:https://www.cnblogs.com/hqwhqwhq/p/4811883.html

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