2018 Multi-University Training Contest 4 A.Ascending Rating(滑窗单调队列)

本文介绍了一种经典的滑动窗口问题解决方案,使用单调队列维护区间最大值及特定计数,通过逆序处理简化操作流程。代码示例展示了如何在给定数列中高效求解指定区间特征。

题目太长了就不贴了。

题目大意是给你前k个数,让你用题目给的公式生成后n - k个数,形成一个长度为n的数列。
之后在上面滑动一个长度为m的区间(窗口),对每个区间求两个东西:
1、区间最大值
2、第一个数后有多少个数比它大。
最后分别输出每个区间上述两个值与区间编号i之间异或后的和。

经典的滑窗问题,需要倒着维护一个递减的单调队列。
单调队列的队头就是要找的最大的元素,而要求的第二个值,则可以用尾指针 - 头指针 + 1求得。
注意,这里的头尾指针和一般队列的头尾指针不一样,头指针的确指向队头,但是尾指针指向的是最新一个加进队列里的元素。
这就是为什么要倒着来维护,因为这样才能保证尾指针指在实际的第一个元素上。

ac代码:

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

const int maxn = 1e7 + 5;
int a[maxn], que[maxn];

int main() {
    int T, n, m, k, p, q, r, mod;
    scanf("%d", &T);
    while(T--) {
        scanf("%d%d%d%d%d%d%d", &n, &m, &k, &p, &q, &r, &mod);
        for(int i = 1; i <= k ; i++) {
            scanf("%d", &a[i]);
        }
        // 按题意生成数组
        for(int i = k + 1; i <= n ; i++) {
            a[i] = (1LL * p * a[i - 1] + 1LL * q * i + r) % mod;
        }

        ll ans = 0, ans2 = 0;
        ll front = 1, rear = 0;
        for(int i = n; i > 0 ; i--) {
            // 把数字的索引放到单调队列里应该在的位置
            while(front <= rear && a[i] >= a[que[rear]]) {
                rear--;
            }
            que[++rear] = i;
            if(i + m - 1 <= n) {
                // 删掉已经不在当前区间里的元素
                while(que[front] >= i + m) {
                    front++;
                }
                ans += i ^ a[que[front]];
                ans2 += i ^ rear - front + 1;
            }
        }

        printf("%lld %lld\n", ans, ans2);
    }
    return 0;
}

在滑窗问题上单调队列很优秀,从上面的代码就可以看到,新元素入队时总是会覆盖旧元素,这是因为如果一个已经在队里的元素(代表着他比新入队的元素晚出现,因为是倒着来的)小于等于新元素,根本就无需再考虑这个元素,直接删掉就可以了。

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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