HDU 1556 Color the ball(树状数组 区间和)

本文介绍了一个利用树状数组解决气球涂色计数问题的方法。通过给定的涂色区间,采用树状数组记录每个气球被涂色的次数,实现了高效的查询与更新操作。

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

Problem Description

N个气球排成一排,从左到右依次编号为1,2,3....N.每次给定2个整数a b(a <= b),lele便为骑上他的“小飞鸽"牌电动车从气球a开始到气球b依次给每个气球涂一次颜色。但是N次以后lele已经忘记了第I个气球已经涂过几次颜色了,你能帮他算出每个气球被涂过几次颜色吗?
 

 

Input

 

每个测试实例第一行为一个整数N,(N <= 100000).接下来的N行,每行包括2个整数a b(1 <= a <= b <= N)。
当N = 0,输入结束。
 

 

Output

 

每个测试实例输出一行,包括N个整数,第I个数代表第I个气球总共被涂色的次数。
 

 

Sample Input

 


 
3 1 1 2 2 3 3 3 1 1 1 2 1 3 0
 

 

Sample Output

 


 
1 1 1 3 2 1
 
虽然网上把这道题总结为线段树的题,但听老师的讲解后,树状数组不失为一种更加简便的做法,每次在tree[a]加一,tree[b+1]减一,相当于[a,b]内对应的元素加一,而区间外的元素不受影响,而且代码简洁易懂。
代码如下:
#include<stdio.h> #include<string.h> int n,a,b; int tree[100005]; int lowbit(int x) { return x&-x; } int getsum(int x) { int s=0; while(x) { s+=tree[x]; x-=lowbit(x); } return s; } void add(int x,int v) { while(x<=n) { tree[x]+=v; x+=lowbit(x); } } int main() { int i; while(scanf("%d",&n)!=EOF) { if(n==0) return 0; memset(tree,0,sizeof(tree)); for(i=1;i<=n;++i) { scanf("%d %d",&a,&b); add(a,1),add(b+1,-1); } for(i=1;i<=n;++i) { printf("%d",getsum(i)); if(i<n) printf(" "); } printf("\n"); } return 0; }
#include<stdio.h>
#include<string.h>
int n,a,b;
int tree[100005];
int lowbit(int x)
{
    return x&-x;
}
int getsum(int x)
{
    int s=0;
    while(x)
    {
        s+=tree[x];
        x-=lowbit(x);
    }
    return s;
}
void add(int x,int v)
{
    while(x<=n)
    {
        tree[x]+=v;
        x+=lowbit(x);
    }
}
int main()
{
    int i;
    while(scanf("%d",&n)!=EOF)
    {
        if(n==0) return 0;
        memset(tree,0,sizeof(tree));
        for(i=1;i<=n;++i)
        {
            scanf("%d %d",&a,&b);
            add(a,1),add(b+1,-1);
        }
        for(i=1;i<=n;++i)
        {
            printf("%d",getsum(i));
            if(i<n) printf(" ");
        }
        printf("\n");
    }
    return 0;
}
内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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