A1330. 世博会(刘洪轩) 主席树

本文介绍了一个使用主席树解决二维中位数问题的C++程序实例。通过将二维坐标转换为一维,并利用主席树进行维护,有效地求解了在二维平面上特定范围内的中位数。该方法适用于需要高效处理大量二维数据的场景。

假设最后答案为x0,y0
然后ans=ni=1max{xix0+yiy0}
然后我们令Xi=xi+yi2,Yi=xiyi2,那么答案可以转化为ans=ni=1|XiX0|+|YiY0|
然后x,y两维分别求中位数,用主席树维护。
sb错误坑成狗啊。。。
主席树写错了。。。调了半下午

#include<iostream>
#include<cstdio>
#include<algorithm>
using namespace std;

const int N=100005;
const int M=1800005;
int n,q,a[N],b[N];

inline int read()
{
    int a=0,f=1; char c=getchar();
    while (c<'0'||c>'9') {if (c=='-') f=-1; c=getchar();}
    while (c>='0'&&c<='9') {a=a*10+c-'0'; c=getchar();}
    return a*f;
}

struct chairmantree
{
    int cnt,tot;
    int a[N],num[N],hash[N],root[N];
    int ls[M],rs[M],size[M];
    long long sum[M];

    inline int find(int x)
    {
        int l=1,r=tot;
        while (l<=r)
        {
            int mid=l+r>>1;
            if (hash[mid]==x) return mid;
            else if (hash[mid]<x) l=mid+1;
            else r=mid-1; 
        }
    }
/*
    inline int find(int x)
    {
        int l=1,r=n,ans;
        while (l<=r)
        {
            int mid=l+r>>1;
            if (num[mid]<=x) 
                ans=mid,l=mid+1;
            else r=mid-1;
        }
        return ans;
    }
*/
    inline void update(int l,int r,int x,int &y,int val)
    {
//      cout << val << endl;
        y=++cnt;
        ls[y]=ls[x]; rs[y]=rs[x]; size[y]=size[x]+1; sum[y]=sum[x]+hash[val];
        if (l==r) return;
        int mid=l+r>>1;
        if (val<=mid) update(l,mid,ls[x],ls[y],val);
        else update(mid+1,r,rs[x],rs[y],val);
    }

    inline void init()
    {
        for (int i=1;i<=n;i++) num[i]=a[i];
        sort(num+1,num+n+1);
        hash[++tot]=num[1];
        for (int i=2;i<=n;i++)
            if (num[i-1]!=num[i]) hash[++tot]=num[i];
        for (int i=1;i<=n;i++)
            update(1,tot,root[i-1],root[i],find(a[i]));
//      cout << endl;
    }

    inline long long query(int x,int y,int k)
    {
//      cout << x << " " << y << endl;
        int l=1,r=tot,cc=0;
        long long ans=0;
        while (l!=r)
        {
            int mid=l+r>>1;
            int ret=size[ls[y]]-size[ls[x]];
//          cout<< ret << endl;
            if (k<=ret) 
                cc+=size[rs[y]]-size[rs[x]],ans+=sum[rs[y]]-sum[rs[x]],x=ls[x],y=ls[y],r=mid;
            else
                k-=ret,cc-=ret,ans-=sum[ls[y]]-sum[ls[x]],x=rs[x],y=rs[y],l=mid+1;
        }
//      cout << "!!!  : " << ans << endl;
        ans-=sum[y]/size[y]*cc;
        return ans;
    }

}X,Y;

int main()
{
    n=read(); q=read();
    for (int i=1;i<=n;i++) a[i]=read();
    for (int i=1;i<=n;i++) b[i]=read();
    for (int i=1;i<=n;i++)
        X.a[i]=a[i]+b[i],Y.a[i]=a[i]-b[i];
    X.init(); Y.init();
//  for (int i=1;i<=n;i++)
//      cout << Y.size[Y.root[i]] << " ";
//  for (int i=1;i<=X.cnt;i++)
//      cout << X.sum[i] << " " ; cout << endl;
    while (q--)
    {
        int l=read(),r=read();
        int mid=(r-l)/2+1;
//      cout << X.query(X.root[l-1],X.root[r],mid) << endl;
        printf("%.2lf\n",(double)(X.query(X.root[l-1],X.root[r],mid)+Y.query(Y.root[l-1],Y.root[r],mid))/2.0);
    }
    return 0;
}
基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
在机器人技术领域,机器人操作系统(ROS)的演进为各类应用提供了关键支撑。计算机视觉与增强现实的结合,进一步拓展了机器人的感知与交互能力。OpenCV作为广泛使用的视觉处理库,集成了多种图像分析与模式识别算法。其中,Aruco标记系统作为一种基于二维码的视觉标识,因其识别稳定、计算高效的特点,被广泛应用于空间定位、姿态估计及增强现实场景的虚实融合。 Aruco标记通过预定义的编码图案,可在复杂环境中实现快速检测与高精度位姿解算。这一特性使其在自主导航、三维重建、目标跟踪等任务中具有重要价值。例如,在移动机器人定位中,可通过布设标记点辅助实现厘米级的位置修正;在增强现实应用中,则能依据标记的空间姿态准确叠加虚拟信息。 针对ROS2框架,现已开发出集成OpenCV的Aruco标记检测与位姿估计工具包。该工具能够实时处理图像流,识别标记的独特编码,并解算其相对于相机坐标系的三维位置与旋转姿态。结果可通过ROS2的话题或服务接口发布,为其他功能模块提供实时视觉反馈。工具包兼容多种标准标记字典,用户可根据实际场景的复杂度与识别范围需求,灵活选择不同尺寸与编码数量的标记集合。 将Aruco检测模块嵌入ROS2系统,可充分利用其分布式通信机制与模块化架构。开发者能够便捷地将视觉定位数据与运动规划、控制决策等模块相融合,进而构建更为综合的机器人应用系统。例如,结合点云处理技术可实现动态环境的三维建模,或与机械臂控制器联动完成基于视觉引导的精准抓取操作。 该开源工具的推出,降低了在ROS2中部署视觉定位功能的技术门槛。通过提供稳定、可配置的标记识别与姿态解算方案,它不仅促进了机器人视觉应用的快速原型开发,也为后续在工业自动化、服务机器人、混合现实等领域的深入应用奠定了技术基础。随着感知算法与硬件性能的持续提升,此类融合视觉、增强现实与机器人中间件的工具包,将在智能化系统的构建中发挥日益重要的作用。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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