【bzoj3207】花神的嘲讽计划Ⅰ Hash+STL-map+莫队算法

题目描述

背景
花神是神,一大癖好就是嘲讽大J,举例如下:
“哎你傻不傻的!【hqz:大笨J】”
“这道题又被J屎过了!!”
“J这程序怎么跑这么快!J要逆袭了!”
……
描述
这一天DJ在给吾等众蒟蒻讲题,花神在一边做题无聊,就跑到了一边跟吾等众蒟蒻一起听。以下是部分摘录:
1.
“J你在讲什么!”
“我在讲XXX!”
“哎你傻不傻的!这么麻烦,直接XXX再XXX就好了!”
“……”
2.
“J你XXX讲过了没?”
“……”
“那个都不讲你就讲这个了?哎你傻不傻的!”
“……”
DJ对这种情景表示非常无语,每每出现这种情况,DJ都是非常尴尬的。
经过众蒟蒻研究,DJ在讲课之前会有一个长度为N方案,我们可以把它看作一个数列;
同样,花神在听课之前也会有一个嘲讽方案,有M个,每次会在x到y的这段时间开始嘲讽,为了减少题目难度,每次嘲讽方案的长度是一定的,为K。
花神嘲讽DJ让DJ尴尬需要的条件:
在x~y的时间内DJ没有讲到花神的嘲讽方案,即J的讲课方案中的x~y没有花神的嘲讽方案【这样花神会嘲讽J不会所以不讲】。
经过众蒟蒻努力,在一次讲课之前得到了花神嘲讽的各次方案,DJ得知了这个消息以后欣喜不已,DJ想知道花神的每次嘲讽是否会让DJ尴尬【说不出话来】。

输入

第1行3个数N,M,K;
第2行N个数,意义如上;
第3行到第3+M-1行,每行K+2个数,前两个数为x,y,然后K个数,意义如上;

输出

对于每一个嘲讽做出一个回答会尴尬输出‘Yes’,否则输出‘No’

样例输入

8 5 3
1 2 3 4 5 6 7 8
2 5 2 3 4
1 8 3 2 1
5 7 4 5 6
2 5 1 2 3
1 7 3 4 5

样例输出

No
Yes
Yes
Yes
No


题目大意

给出一个长度为n的序列和m个询问,每次询问需要判断给出的长度为k的序列是否在原序列的[l,r]范围内出现过,是则输出"No",否则输出"Yes"

题解

Hash+STL-map+莫队算法

由于询问序列长度是给定的且不超过20,所以我们可以把原序列中所有长度为k的连续子序列预处理出来,并使用Hash的方法储存起来,放在一起用map离散化。

对于每个询问把它Hash出来,如果它不在原序列中出现过直接答案为0,否则用莫队算法跑一下就好了。

注意每个Hash值对应的离散化的值要先预处理出来,用桶维护出现次数,而不是用 map<unsigned long long , int> cnt 来存储出现次数,否则会TLE。

时间复杂度大概是$O((n+m)(k+\log n)+m\sqrt n)$。

#include <cstdio>
#include <cmath>
#include <algorithm>
#include <map>
#define N 100010
using namespace std;
typedef unsigned long long ull;
const ull base = 1000003;
struct data
{
	int l , r , bl , id;
	ull x;
}q[N];
map<ull , int> ref;
ull a[N] , val[N];
int pos[N] , cnt[N] , ans[N];
bool cmp(data a , data b)
{
	return a.bl == b.bl ? a.r < b.r : a.bl < b.bl;
}
int main()
{
	int n , m , k , i , j , si , lp = 1 , rp = 0;
	ull t;
	scanf("%d%d%d" , &n , &m , &k) , si = (int)sqrt(n);
	for(i = 1 ; i <= n ; i ++ ) scanf("%llu" , &a[i]);
	for(i = 1 ; i <= n - k + 1 ; i ++ )
	{
		for(j = 1 ; j <= k ; j ++ ) val[i] = val[i] * base + a[i + j - 1];
		if(ref.find(val[i]) == ref.end()) ref[val[i]] = i;
		pos[i] = ref[val[i]];
	}
	for(i = 1 ; i <= m ; i ++ )
	{
		scanf("%d%d" , &q[i].l , &q[i].r) , q[i].bl = (q[i].l - 1) / si , q[i].r -= k - 1 , q[i].id = i;
		for(j = 1 ; j <= k ; j ++ ) scanf("%llu" , &t) , q[i].x = q[i].x * base + t;
	}
	sort(q + 1 , q + m + 1 , cmp);
	for(i = 1 ; i <= m ; i ++ )
	{
		if(ref.find(q[i].x) == ref.end()) continue;
		while(rp < q[i].r) rp ++ , cnt[pos[rp]] ++ ;
		while(lp > q[i].l) lp -- , cnt[pos[lp]] ++ ;
		while(rp > q[i].r) cnt[pos[rp]] -- , rp -- ;
		while(lp < q[i].l) cnt[pos[lp]] -- , lp ++ ;
		ans[q[i].id] = cnt[ref[q[i].x]];
	}
	for(i = 1 ; i <= m ; i ++ ) printf("%s\n" , ans[i] ? "No" : "Yes");
	return 0;
}

 

 

转载于:https://www.cnblogs.com/GXZlegend/p/7043418.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
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