poj2828 线段树单点更新

本文提供了一种解决POJ 2828问题的有效算法。通过使用线段树来维护队伍中每个人的插入位置,该算法能够高效地计算出最终的队伍排列。文章详细解释了解题思路,并提供了完整的C++代码实现。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题目链接:http://poj.org/problem?id=2828

题目意思:有N个人,一个一个的插到队伍中去,要你求最后的队伍。

解题思路:最后一个人想站在哪里就站在哪里,所以最后一个人的位置是固定。后面的根据前的可以确定位置。对于位置其实是前面已经有pos个人了,只是我们是逆排,所以是按空位排。排到空位子区间下标为pos的地方。

#include <iostream>
#include<stdio.h>
#define lson l,m,rt<<1
#define rson m+1,r,rt<<1|1
using  namespace std;
const int maxn=2e5;
int sum[maxn<<2],ans[maxn];
typedef struct key
{
    int pos,v;
}key;
void Pushup(int rt)
{
    sum[rt]=sum[rt<<1]+sum[rt<<1|1];
}
void build(int l,int r,int rt)
{
    if(l==r)
    {
        sum[rt]=1;
        return ;
    }
    int m=(l+r)>>1;
    build(lson);
    build(rson);
    Pushup(rt);
}
void update(int p,int v,int l,int r,int rt)
{

    if(l==r)
    {
       sum[rt]--;
        ans[l]=v;
        return ;
    }
    int m=(l+r)>>1;
    if(sum[rt<<1]>=p)update(p,v,lson); //如果有那么多位置,进入左子树
    else update(p-sum[rt<<1],v,rson); //减去左子树的空位置,进右子树
Pushup(rt);
    return ;
}
int main()
{
    int n,t,i;
    key s[maxn];
    while(~scanf("%d",&n))
    {
        build(1,n,1);
        for(i=0;i<n;i++)
          scanf("%d%d",&s[i].pos,&s[i].v);
            for(i=n-1;i>=0;i--)
            {
                update(s[i].pos+1,s[i].v,1,n,1);//线段树是从1开始的所以是pos+1
            }
            for(i=1;i<n;i++)
            printf("%d ",ans[i]);
            printf("%d\n",ans[i]);
    }
        return 0;
}


资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
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