bzoj4237 稻草人

bzoj4237 稻草人

给定平面上 \(n\) 个点 \((x_i,\ y_i)\) ,求左下角右上角各有一个点,且内部没有其它点的矩阵个数

\(n\leq2\times10^5\)\(x_i\) 互不相同, \(y_i\) 互不相同

cdq分治,单调栈,凸包


考虑cdq分治,去掉横坐标

对于区间 \([l,\ r]\) ,统计左下角在 \([l,\ mid]\) ,右上角在 \([mid + 1,\ r]\) 的矩阵个数

对于 \([l,\ r]\) 的点,按纵坐标降序考虑。维护 \([l,\ mid]\) 横坐标递减、 \([mid + 1,\ r]\) 横坐标递增的单调栈。其中 \([mid + 1,\ r]\) 中不在单调栈上的点会被单调栈上的点包含。

当插入一个 \([l,\ mid]\) 的点之后,贡献的答案不一定是整个 \([mid + 1,\ r]\) 的单调栈,但是由于横坐标递增,可以二分出答案

时间复杂度 \(O(n\log^2 n)\)

代码

#include <bits/stdc++.h>
using namespace std;

typedef long long ll;
const int maxn = 2e5 + 10;
ll ans;
int n, t1, t2, s1[maxn], s2[maxn];

struct node {
  int x, y;

  inline bool operator < (const node &o) const {
    return x < o.x;
  }
} a[maxn], b[maxn];

inline bool pd(node a, node b) {
  return b.x < a.x && b.y < a.y;
}

inline int calc(int x) {
  int l = 1, r = t2, mid;
  while (l < r) {
    mid = (l + r) >> 1;
    a[s2[mid]].y > x ? l = mid + 1 : r = mid;
  }
  return l - (!t2 || a[s2[l]].y < x);
}

void cdq(int l, int r) {
  if (l == r) return;
  int mid = (l + r) >> 1;
  cdq(l, mid), cdq(mid + 1, r), t1 = t2 = 0;
  for (int p = l, p1 = l, p2 = mid + 1; p <= r; p++) {
    if (p2 > r || (p1 <= mid && a[p1].y > a[p2].y)) {
      while (t1 && a[s1[t1]].x < a[p1].x) t1--;
      if (t1) ans -= calc(a[s1[t1]].y);
      s1[++t1] = p1, ans += t2, b[p] = a[p1++];
    } else {
      while (t2 && a[s2[t2]].x > a[p2].x) t2--;
      s2[++t2] = p2, b[p] = a[p2++];
    }
  }
  for (int i = l; i <= r; i++) {
    a[i] = b[i];
  }
}

int main() {
  scanf("%d", &n);
  for (int i = 1; i <= n; i++) {
    scanf("%d %d", &a[i].x, &a[i].y);
  }
  sort(a + 1, a + n + 1), cdq(1, n);
  printf("%lld", ans);
  return 0;
}

转载于:https://www.cnblogs.com/Juanzhang/p/10986001.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