RMQ (Range Minimum/Maximum Query)问题的ST(Sparse Table)解法

RMQ (Range Minimum/Maximum Query)问题,就是要求:数字序列区间最值。

如果直接遍历查询,复杂度为O(n).

对于比较大的数据和需要多次查询的场景,都是很不理想的。

常见的方法有线段树和Sparse Tabel两种方法。

复杂度:

两种算法都需要预处理,预处理的复杂度为:

线段树(segment tree) O(n)

ST(实质是动态规划) O(nlogn)

查询的复杂度:

线段树(segment tree) O(qlogn) 

ST(实质是动态规划)O(1)

Sparse Table 

这里主要使用ST。

ST实际实际是动态规划的实现,最小值为例:

用一个二维数组f(i,j)记录区间[i,i+2^j-1]区间中的最小值。//这个算法的精妙所在

其中f[i,0] = a[i]; 

2'(j-1)+2^(j-1)=2^j;

所以:f(i,j)=min{f(i,j-1),f(i+2^(j-1),j-1)};

在预测理的时候需要考虑j的最大值。假设数据总数为N,当我们查询最长的区间[0,N-1]之间的最值时,即需2^j-1>N;并且在dp的时候i + (1<<j) - 1 < N是就要停止。

自底向上。

void build_st_min(int n,int *num,int *f[MAXN]){
	int i,j;
	for(i=0;i<n;i++)
		f[i][0]=num[i];
	int tmp=log((double)n)/log(2.0);
	for(j=1;j<=tmp;j++)//include value of tmp
		for(i=0;i+(1<<j)-1<n;i++)
			f[i][j]=min(f[i][j-1],f[i+(1<<(j-1))][j-1]);
}


查询:
假设要查询从m到n这一段的最小值, 那么我们先求出一个最大的k, 使得k满足2^k <= (n - m + 1).(使用log函数,基变换)
于是我们就可以把[m, n]分成两个长度为2^k的区间: [m, m+2^k-1], [n-2^k+1, n](这两个区间部分重叠);
而我们之前已经求出了f(m, k)为[m, m+2^k-1]的最小值, f(n-2^k+1, k)为[n-2^k+1,n-2^k+1+2^k-1]=[n-2^k+1, n]的最小值。
我们只要返回min{f(m,k),f(n-2^k+1,k)} 就是我们想要的答案, 这个算法的时间复杂度是O(1)的.

int query_min(int a,int b,int *f[MAXN]){
	int k=(int)(log(b-a+1.0)/log(2.0));
	return min(f[a][k],f[b-(1<<k)+1][k]);//regional overlap
}


例题:九度:http://ac.jobdu.com/problem.php?pid=1544

题目描述:
给定一个数字序列,查询任意给定区间内数字的最小值。
输入:
输入包含多组测试用例,每组测试用例的开头为一个整数n(1<=n<=100000),代表数字序列的长度。
接下去一行给出n个数字,代表数字序列。数字在int范围内。
下一行为一个整数t(1<=t<=10000),代表查询的次数。
最后t行,每行给出一个查询,由两个整数表示l、r(1<=l<=r<=n)。
输出:
对于每个查询,输出区间[l,r]内的最小值。
样例输入:
5
3 2 1 4 3
3
1 3
2 4
4 5
样例输出:
1
1
3

#include<iostream>
#include<stdio.h>
#include<stdlib.h>
#include<string.h>
#include<math.h>
#include<algorithm>
using namespace std;
const int MAXN=40;
void build_st_min(int n,int *num,int *f[MAXN]){
	int i,j;
	for(i=0;i<n;i++)
		f[i][0]=num[i];
	int tmp=log((double)n)/log(2.0);
	for(j=1;j<=tmp;j++)//include value of tmp
		for(i=0;i+(1<<j)-1<n;i++)
			f[i][j]=min(f[i][j-1],f[i+(1<<(j-1))][j-1]);
}
int query_min(int a,int b,int *f[MAXN]){
	int k=(int)(log(b-a+1.0)/log(2.0));
	return min(f[a][k],f[b-(1<<k)+1][k]);//regional overlap
}
int main()  
    {  
        int n,i,q,a,b;  
        while(scanf("%d ",&n)!=EOF)  
        {  
			int *num=new int[n];
			int **f=new int* [n];
			for(i=0;i<n;i++)
				f[i]=new int [MAXN];
            for(i=0;i<n;i++)  
                scanf("%d",&num[i]);  
            build_st_min(n,num,f);  
            scanf("%d",&q);
            for(i=0;i<q;i++)  
            {  
                scanf("%d%d",&a,&b);  
                printf("%d\n",query_min(a-1,b-1,f));  //start from 0
            }  
        }  
        return 0;  
    }  



参考:

felix021的博客:http://www.felix021.com/blog/read.php?1066

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