【SSLGZ 2647】线段树练习四

问题描述
在平面内有一条长度为n的线段(也算一条线段),可以对进行以下2种操作:
1 x y 把从x到y的再加一条线段
2 x 查询从x到x+1有多少条线段
输入
第一行两个数n,m
表示长度为n的线段
接下来的m行读入x,y
表示在[x,y]的区间中加入一条线段
最后一行两个数x,y
输出x到y这一个区间中的线段数
保证x+1=y
输出
输出线段数目
样例输入
7 5
2 3
2 5
2 4
4 5
2 4
2 4
样例输出
3
算法讨论
将线段树的域定义为完全覆盖当前节点的线段数,当当前节点被完全覆盖时就不再往下走。统计时从根节点一直加到询问的节点上,就为叠加线段数。

const
  maxn=50000;
var
  t:array[1..maxn,1..3] of longint;
  i,n,m,x,y,s,o,p1:longint;

function count(p:longint):longint;
var
  s:longint;
begin
  s:=0;
  while p>0 do
    begin
      inc(s,t[p,3]);
      p:=p div 2
    end;
  count:=s
end;

procedure insert(p,a,b:longint);
var
  m:longint;
begin
  m:=(t[p,1]+t[p,2]) div 2;
  if (t[p,1]=a) and (t[p,2]=b)
    then inc(t[p,3])
    else if b<=m
           then insert(p*2,a,b)
           else if a>=m
                  then insert(p*2+1,a,b)
                  else begin
                         insert(p*2,a,m);
                         insert(p*2+1,m,b)
                       end;
end;

procedure create(p:longint);
var
  m:longint;
begin
  if t[p,2]-t[p,1]>1
    then begin
           m:=(t[p,1]+t[p,2]) div 2;
           t[p*2,1]:=t[p,1]; t[p*2,2]:=m;
           t[p*2+1,1]:=m; t[p*2+1,2]:=t[p,2];
           create(p*2);
           create(p*2+1)
         end;
end;

procedure find(p,a,b:longint);
var
  m:longint;
begin
  m:=(t[p,1]+t[p,2]) div 2;
  if (t[p,1]=a) and (t[p,2]=b)
    then p1:=p
    else if m>=b
           then find(2*p,a,b)
           else if m<=a
                  then find(2*p+1,a,b)
                  else begin
                         find(2*p,a,m);
                         find(2*p+1,m,b);
                       end;
end;

begin
  read(n,m);
  t[1,1]:=1; t[1,2]:=n;
  create(1);
  for i:=1 to m do
    begin
      readln(x,y);
      insert(1,x,y)
    end;
  read(x,y);
  find(1,x,y);
  s:=count(p1);
  write(s)
end.

这里写图片描述
Pixiv ID:17235752

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