HDU 1540 Tunnel Warfare (线段树)

本文介绍了一种使用线段树解决区间操作与查询问题的方法,包括切断、恢复节点和查询联通节点数量。通过线段树的特性,实现对区间进行高效的操作与查询,特别是在处理切断与恢复操作时,利用栈记录切断的节点,以便于恢复操作。

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

题意:

有n个节点m次操作,操作有:D切断某个节点,R:恢复上次切断的节点,Q:询问某节点所在段的联通节点数目

思路:

对区间的各种操作与查询,考虑用线段树。

切断与恢复与线段树update的基本操作类似,查询与平常的求和不同,要先判断当前节点与询问节点间是否联通再去求和

PS:切断可以切断已经切断的点,恢复只用一次,且恢复上次切断操作的点

代码:

(询问没想到好的办法,感觉我写的好复杂0.0)

#include<cstdio>
#include<cstring>
#include<algorithm>
#include<stack>

#define Clr(x) memset(x,0,sizeof(x))
#define lson l,m,rt<<1
#define rson m+1,r,rt<<1|1
#define INF 0x33333333
#define LP(x,y) for(int i = x; i < y; i++)
#define LP2(x,y) for(int j = x; j >= y; j--) 

using namespace std;
typedef long long LL;
//mt19937 rng(chrono::steady_clock::now().time_since_epoch().count());
const int maxn = 140000;
int sum[maxn];
bool con[maxn];
stack<int> si;
int n,m,ans;
bool isd[maxn];
void pushup(int rt)
{
	sum[rt] = sum[rt<<1] + sum[rt<<1|1];
	con[rt] = con[rt<<1] && con[rt<<1|1];
}
void build(int l,int r,int rt)	//建树 
{
	if(l == r)
	{
		sum[rt] = 1;
		con[rt] = true;
		return;
	}
	int m = (l + r) >> 1;
	build(lson);
	build(rson);
	pushup(rt);
}
void des(int x,int l,int r,int rt)	//摧毁x节点 
{
	if(l == r)
	{
		con[rt] = false;
		return;
	}
	int m = (l + r) >> 1;
	if(x <= m) des(x,lson);
	if(x > m) des(x,rson);
	pushup(rt);
}
bool queryL(int x,int l,int r,int rt)	//查询x左边连通的数量 
{
	if(con[rt] && r <= x)
	{
		ans += sum[rt];
		return true;
	}
	if(l == r && !con[rt]) return false;
	int m = (l + r) >> 1;
	bool res = true;
	if(l <= x && x <= r)		//x在当前根下 
	{
		if(x <= m) queryL(x,lson);	//在左子树 
		else
		{
			if(queryL(x,rson)) return res && queryL(x,lson);	//右子树连通再递归左子树 
		}
	}
	else		//x不在当前根下 
	{
		if(queryL(x,rson)) return res && queryL(x,lson);
	}
}
bool queryR(int x,int l,int r,int rt)		//查询x右边连通的数量 
{
	if(con[rt] && l >= x)
	{
		ans += sum[rt];
		return true;
	}
	if(l == r && !con[rt]) return false;
	int m = (l + r) >> 1;
	bool res = true;
	if(l <= x && x <= r)
	{
		if(x > m) queryR(x,rson);
		else
		{
			if(queryR(x,lson)) return res && queryR(x,rson);
		}
	}
	else
	{
		if(queryR(x,lson)) return res && queryR(x,rson);
	}
}
void cb(int x,int l,int r,int rt)	//恢复 
{
	if(l == r)
	{
		con[rt] = true;
		return;
	}
	int m = (l + r) >> 1;
	if(x <= m) cb(x,lson);
	if(x > m) cb(x,rson);
	pushup(rt);
}
int main()
{
	//freopen("out.txt","w",stdout);
	while(~scanf("%d%d",&n,&m))
	{
		build(1,n,1);
		Clr(isd);
		char cmd[5];
		int x;
		while(m--)
		{
			scanf("%s",cmd);
			if(cmd[0] == 'D')
			{
				scanf("%d",&x);
				des(x,1,n,1);
				si.push(x);
				isd[x] = true;
			}
			else if(cmd[0] == 'R')
			{
				if(si.empty()) continue;
				x = si.top(); si.pop();
				while(!isd[x])
				{
					x = si.top(); si.pop();
				}
				isd[x] = false;
				cb(x,1,n,1);
			}
			else if(cmd[0] == 'Q')
			{
				scanf("%d",&x);
				ans = 0;
				queryL(x,1,n,1);
				queryR(x,1,n,1);
				if(ans > 0) ans -= 1;	//x节点被计算2次 
				printf("%d\n",ans);
			}
		}
	}	
}

 

内容概要:本文介绍了如何使用Python识别图片和扫描PDF中的文字。首先,文章讲解了使用Spire.OCR for Python库来识别图片中的文字,包括安装库、配置OCR模型路径和语言设置、扫描图片以及保存识别后的文本。其次,详细描述了从图片中提取文字及其坐标位置的方法,使用户不仅能够获取文本内容,还能知道文本在图片中的具体位置。最后,文章还介绍了如何结合Spire.PDF for Python将PDF文件转换为图片格式,再通过OCR技术从中提取文字,适用于处理扫描版PDF文件。文中提供了完整的代码示例,帮助读者理解和实践。 适合人群:对Python编程有一定基础,希望学习或提高光学字符识别(OCR)技术的应用开发者,尤其是需要处理大量图片或PDF文档中文字信息的工作人员。 使用场景及目标:① 开发者可以利用这些方法自动化处理图片或PDF文档中的文字信息,提高工作效率;② 实现从非结构化数据(如图片、扫描件)到结构化数据(如文本文件)的转换,便于后续的数据分析和处理;③ 提供了一种解决纸质文档数字化的有效途径,特别是对于历史档案、书籍等资料的电子化保存。 其他说明:需要注意的是,OCR的准确性很大程度上取决于图片的质量,清晰度高、对比度好的图片可以获得更好的识别效果。此外,不同OCR库可能对特定语言或字体的支持程度不同,选择合适的库和配置参数能显著提升识别精度。在实际应用中,建议先进行小规模测试,优化参数后再大规模应用。
评论 1
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