codeforces1093 G Multidimensional Queries

codeforces1093 G Multidimensional Queries

https://codeforces.com/contest/1093/problem/G

题意:

给你n个k维空间上的点,定义两点间距离为他们的曼哈顿距离,有两个操作:
1.把第i个点换成另一个点b
2.查询第i个点到第j个点中距离最远的连个点。

题解:

直接做过类似的题,我们可以把绝对值拆开,拆开之后把同一个点的坐标防在一起。因为k只有5,因此坐标的符号最多只有32种可能,而两个点的距离由于绝对值的关系一定是两个加起来最大的。因此,只需要用线段树来维护区间最值就可以了。因为有32种情况,所以要建立32棵线段树。

#include<bits/stdc++.h>
using namespace std;
const int maxn=2e5+5;
int bit[6]={1,2,4,8,16,32};
struct node
{
	int x,id;
	node(){};
	node(int aa,int bb):x(aa),id(bb){}
}tree[maxn<<2][33];
node Max(const node& a,const node& b)
{
	return a.x>b.x?a:b;
}
int a[maxn][10];
void pushup(int rt,int t)
{
	tree[rt][t]=Max(tree[rt<<1][t],tree[rt<<1|1][t]);
}
void update(int C,int l,int r,int L,int rt,int t)
{
	if(l==r)
	{
//		cout<<l<<" "<<rt<<endl;
		tree[rt][t]=node(C,L);
		return;
	}
	int m=(l+r)>>1; 
//	pushdown(l,r,rt);
	if(L<=m) update(C,l,m,L,rt<<1,t);
	else update(C,m+1,r,L,rt<<1|1,t);
	pushup(rt,t);
}
node query(int l,int r,int L,int R,int rt,int t)
{
	if(L<=l&&r<=R)	return tree[rt][t];
	int m=(l+r)>>1;
	node _max=node(-1e9,0);
	if(L<=m) _max=Max(_max,query(l,m,L,R,rt<<1,t));
	if(R>m) _max=Max(_max,query(m+1,r,L,R,rt<<1|1,t));
//	cout<<L<<" "<<R<<" "<<_max<<endl;
	return _max;
}
int n,k;
void build(int l,int r,int rt,int t)
{
	if(l==r)
	{
		int temp=0;
		for(int j=0;j<k;j++)
		{
			if(((t>>j)&1)==1) temp+=a[l][j]*-1;
			else temp+=a[l][j];
		}
		tree[rt][t].id=l;
		tree[rt][t].x=temp;
		return ;
	 } 
	int m=(l+r)/2;
	build(l,m,rt*2,t);
	build(m+1,r,rt*2+1,t);
	pushup(rt,t);
 } 
void change(int N)
{
	int i,j;
	for(i=0;i<bit[k];i++)
	{
		int temp=0;
		for(j=0;j<k;j++)
		{
			if(((i>>j)&1)==1) temp+=a[N][j]*-1;
			else temp+=a[N][j];
		}
		update(temp,1,n,N,1,i);
	}
}
int ret[40];
int Q(int l,int r)
{
	if(l==r) return 0;
	int _max=-1e9;
	for(int i=0;i<bit[k];i++)
	{
//		cout<<query(1,n,l,l,1,i)<<" "<<query(1,n,l+1,r,1,pow(2,k)-1-i)<<endl;
		ret[i]=query(1,n,l,r,1,i).x;
//		if(temp.id>l)	_max=max(query(1,n,l,temp.id-1,1,(bit[k]-1)^i).x+temp.x,_max);
//		if(temp.id<r)	_max=max(query(1,n,temp.id+1,r,1,(bit[k]-1)^i).x+temp.x,_max);
	}
	for(int i=0; i<(1<<k); i++){
		_max = max(_max, abs(ret[i]+ret[i^((1<<k)-1)]));
	}
	return _max;
}
int main()
{  
	#ifdef TEST
		freopen("input.txt","r",stdin);
    #endif
	int T,m,i,j;
	scanf("%d%d",&n,&k);
	for(i=1;i<=n;i++)
		for(j=0;j<k;j++)
			scanf("%d",&a[i][j]);
	for(i=0;i<bit[k];i++) build(1,n,1,i);
	int q,o,N,l,r;
	scanf("%d",&q);
	while(q--)
	{
		scanf("%d",&o);
		if(o==1)
		{
			scanf("%d",&N);
			for(i=0;i<k;i++)scanf("%d",&a[N][i]);
			change(N);
		}
		else
		{
			scanf("%d%d",&l,&r);
			printf("%d\n",Q(l,r));
		}
	}
}


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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