[bzoj 2653][国家集训队]middle

传送门

Description

一个长度为\(n\)的序列\(a\),设其排过序之后为\(b\),其中位数定义为\(b[n/2]\),其中\(a,b\)\(0\)开始标号,除法取下整。

给你一个长度为n的序列\(s\)

回答\(Q\)个这样的询问:\(s\)的左端点在\([a,b]\)之间,右端点在\([c,d]\)之间的子序列中,最大的中位数。

其中\(a<b<c<d\)

位置也从\(0\)开始标号,强制在线

Solution

求中位数有一个很常见的做法,二分一个答案,把大于等于它的数设为\(1\),小于它的数设为\(1\)

这样,如果区间和大于等于\(0\),中位数显然会大于等于当前答案

可以对每个权值都建一个线段树,当然可以用主席树来实现

check的时候,我们显然需要得到区间最大值,对\([a,b]\)求后缀最大值,\([b+1,c-1]\)区间求和,\([c,d]\)求前缀最大值即可

调了很久,一直都是\(95\)分,结果是id[i-1].size-1写成了id[i-1].size,我倒了


Code 

#include<bits/stdc++.h>
#define ll long long
#define max(a,b) ((a)>(b)?(a):(b))
#define min(a,b) ((a)<(b)?(a):(b))
using namespace std;
inline int read()
{
    int x=0,f=1;char ch=getchar();
    while(ch<'0'||ch>'9'){if(ch=='-')f=-1;ch=getchar();}
    while(ch>='0'&&ch<='9'){x=(x<<3)+(x<<1)+ch-'0';ch=getchar();}
    return x*f;
}
#define MN 20005
int n,N,val[MN],nn[MN],root[MN];
std::vector<int> id[MN];
struct Node{int ls,rs,lm,rm,s;}t[MN*50];int sz;
#define mid ((l+r)>>1)
#define lson t[x].ls
#define rson t[x].rs
inline void up(int x)
{
    t[x].s=t[lson].s+t[rson].s;
    t[x].rm=max(t[rson].rm,t[lson].rm+t[rson].s);
    t[x].lm=max(t[lson].lm,t[rson].lm+t[lson].s);
}
inline void Build(int &x,int l,int r)
{
    x=++sz;if(l==r) return (void)(t[x]=(Node){0,0,1,1,1});
    Build(lson,l,mid);Build(rson,mid+1,r);up(x);
}
inline void Modify(int &x,int l,int r,int p)
{
    t[++sz]=t[x];x=sz;
    if(l==r){t[x].s=t[x].lm=t[x].rm=-1;return;}
    p<=mid?Modify(lson,l,mid,p):Modify(rson,mid+1,r,p);up(x);
}
#define P std::pair<int,int>
inline P QR(int x,int l,int r,int a,int b)
{
    if(a==l&&r==b) return std::make_pair(t[x].rm,t[x].s);
    if(b<=mid) return QR(lson,l,mid,a,b);
    if(a>mid) return QR(rson,mid+1,r,a,b);
    P L=QR(lson,l,mid,a,mid),R=QR(rson,mid+1,r,mid+1,b);
    return std::make_pair(max(L.first+R.second,R.first),L.second+R.second);
}
inline P QL(int x,int l,int r,int a,int b)
{
    if(a==l&&r==b) return std::make_pair(t[x].lm,t[x].s);
    if(b<=mid) return QL(lson,l,mid,a,b);
    if(a>mid) return QL(rson,mid+1,r,a,b);
    P L=QL(lson,l,mid,a,mid),R=QL(rson,mid+1,r,mid+1,b);
    return std::make_pair(max(R.first+L.second,L.first),L.second+R.second);
}
inline int QS(int x,int l,int r,int a,int b)
{
    if(a>b) return 0;
    if(a==l&&r==b) return t[x].s;
    if(b<=mid) return QS(lson,l,mid,a,b);
    if(a>mid) return QS(rson,mid+1,r,a,b);
    return QS(lson,l,mid,a,mid)+QS(rson,mid+1,r,mid+1,b);
}
inline bool check(int a,int b,int c,int d,int v)
{
    int Ans=QR(root[v],1,n,a,b).first+QS(root[v],1,n,b+1,c-1)+QL(root[v],1,n,c,d).first;
    return Ans>=0;
}
int main()
{
    n=read();register int i,j;
    for(i=1;i<=n;++i) nn[i]=val[i]=read();
    std::sort(nn+1,nn+n+1);N=std::unique(nn+1,nn+n+1)-nn-1;
    for(i=1;i<=n;++i) val[i]=std::lower_bound(nn+1,nn+N+1,val[i])-nn,id[val[i]].push_back(i);
    Build(root[1],1,n);
    for(i=2;i<=N;++i)
    {
        root[i]=root[i-1];
        for(j=id[i-1].size()-1;~j;--j) Modify(root[i],1,n,id[i-1][j]);
    }
    register int Q=read(),a[6],x=0,l,r;
    while(Q--)
    {
        for(i=0;i<4;++i) a[i]=(read()+x)%n+1;
        std::sort(a,a+4);
        for(x=l=1,r=N;l<=r;check(a[0],a[1],a[2],a[3],mid)?(x=mid,l=mid+1):r=mid-1);
        printf("%d\n",x=nn[x]);
    }
    return 0;
}



Blog来自PaperCloud,未经允许,请勿转载,TKS!

转载于:https://www.cnblogs.com/PaperCloud/p/10273093.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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