P4092 [HEOI2016/TJOI2016]树(树链剖分)

P4092 [HEOI2016/TJOI2016]树
树链剖分+线段树

#include<bits/stdc++.h>
//#define int long long
#define pb push_back
#define memarray(array, value) memset(array, value, sizeof(array))
using namespace std;
const double EPS=1e-5;
const double PI=acos(-1);
const long long mod=998244353;
const int INF=0x3f3f3f3f;
inline int sgn(double a){ return a < -EPS ? -1 : a > EPS; }
inline int cmp(double a, double b){ return sgn(a-b); }
inline int gcd(int x,int y){if(y==0)return x;return gcd(y,x%y);}
const int MAXN=1e5+10;
const int N=35;
int n,m;
vector<int>vec[MAXN];
int son[MAXN];
int fa[MAXN];
int depth[MAXN];
int bigson[MAXN];
void dfs1(int now,int pre){
    son[now]=1;
    int bigsonnum=-1;
    for(auto to:vec[now]){
        if(to==pre)continue;
        depth[to]=depth[now]+1;
        fa[to]=now;
        dfs1(to,now);
        son[now]+=son[to];
        if(son[to]>bigsonnum){
            bigson[now]=to;
            bigsonnum=son[to];
        }
    }
}
int dfn[MAXN],top[MAXN],pos[MAXN];
int cuo;
void dfs2(int now,int tp){
    dfn[now]=++cuo;
    pos[cuo]=now;
    top[now]=tp;
    if(!bigson[now])return;
    dfs2(bigson[now],tp);
    for(auto to:vec[now]){
        if(to!=fa[now]&&to!=bigson[now])
            dfs2(to,to);
    }
}

int val[MAXN<<2];
void pushup(int rt){
    val[rt]=val[rt<<1]+val[rt<<1|1];
}
void Insert(int l,int r,int rt,int pos,int v){
    if(l==r){
        val[rt]=v;
        return;
    }
    int mid=(l+r)>>1;
    if(pos<=mid)Insert(l,mid,rt<<1,pos,v);
    else Insert(mid+1,r,rt<<1|1,pos,v);
    pushup(rt);
}
int Q(int l,int r,int rt){
    if(l==r){
        if(val[rt])
            return l;
        return 0;
    }
    int mid=(l+r)>>1;
    int ans=0;
    if(val[rt<<1|1])ans=max(ans,Q(mid+1,r,rt<<1|1));
    else if(val[rt<<1]) ans=max(ans,Q(l,mid,rt<<1));
    return ans;
}
int Tree_Q(int l,int r,int rt,int L,int R){
    if(L<=l&&r<=R){
        if(val[rt])
            return Q(l,r,rt);
        return 0;
    }
    int mid=(l+r)>>1;
    int ans=0;
    if(L<=mid) ans=max(ans,Tree_Q(l,mid,rt<<1,L,R));
    if(R>mid) ans=max(ans,Tree_Q(mid+1,r,rt<<1|1,L,R));
    return ans;
}
int Quary(int x){
    while(top[x]!=1){
        int tmp=Tree_Q(1,n,1,dfn[top[x]],dfn[x]);
        if(tmp)return pos[tmp];
        x=fa[top[x]];
    }
    int tmp=Tree_Q(1,n,1,dfn[1],dfn[x]);
    return pos[tmp];
}
bool tag[MAXN];
void solve(){
    depth[1]=1;
    dfs1(1,0);
    dfs2(1,1);
    tag[1]=1;
    Insert(1,n,1,1,1);
    char op[3];
    int id;
    while(m--){
        scanf("%s%d",op,&id);
        if(op[0]=='Q'){
            printf("%d\n",Quary(id));
        }else{
            if(tag[id])continue;
            Insert(1,n,1,dfn[id],1);
            tag[id]=true;
        }
    }
}
void init(){
    scanf("%d%d",&n,&m);
    for(int i=1,u,v;i<n;i++){
        scanf("%d%d",&u,&v);
        vec[u].pb(v);
        vec[v].pb(u);
    }
}
signed main(){
    int T;
//    scanf("%d",&T);
    T=1;
//    while(T--){
    for(int i=1;i<=T;i++){
        init();
        solve();
    }
    return 0;
}
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