墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
402平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
曾经听隔壁机房的大佬还有死党说莫队算法是离线询问题目的利器，终于有时间学了学。
莫队的实现首先排序要查询的区间，之后由最前面的区间一个位置一个位置地推移，直到推到下一个答案。
如果只按左端点优先排序，右端点后排，可能会出现右端点巨大，而左端点差距不大的情况，所以左端点稍靠后可能是最优的，可以给每一个点分一下块，只要在一个块里，就算左端点一样了。
坑：带修改的莫队，并不会，对我这个蒟蒻貌似有点难。
莫队经常套树状数组，线段树等数据结构，
题目：
421. HH的项链 几乎裸
1619. [HEOI2012]采花（淼）
2739. 凯伦和咖啡（分块虐莫队）
1775. [国家集训队2010]小Z的袜子
1822. [AHOI2013]作业
1871. [国家集训队2011]排队(魏铭)
（死党推荐）
莫队算法完整总结（普通莫队、带修莫队、树上莫队、回滚莫队）
普通莫队、带修改莫队、树上带修改莫队、回滚莫队
莫队详细解析（基础、回滚）
莫队主要是维护区间信息的算法，大部分题都可以用其他高级的数据结构做。但莫队码量小，好理解（本质上是分块优化暴力），不失为一种好做法莫队代码看起来是暴力，但通过将询问按一些步骤排序降低了时间按复杂度。
[kriging](一)网上下载的kriging克里金的C++程序的初步调试
笔者在网上下载了一份克里金的C++程序，水平有限，正在逐步地调试中。 初步 克里金法现在在许多软件都已经有集成了，据笔者所知： arcgis ： 看过有的arcgis培训视频里面简略介绍了里面的插值方法，有克里金。 surfer ：笔者用过这个，效果很好。 gocad ：听说有 landmark &jason ：研究生时候用的专业的石油物探软件，里面有克里金法，万恶的开始。 pykrig...
莫队细讲——从零开始学莫队
莫队算法 参考资料：https://www.cnblogs.com/WAMonster/p/10118934.html 不得不说，上面那篇写得实在太好了 前言——引入 关于莫队算法发明者——莫队·莫涛 众所周知，OIer常用“*队”来称呼实力强大的选手，就如：李队，刘队，杨队，何队 %%%%% 这位莫队，实在是太强了： 【NOI2009】 577577577 全国Rk1 ；前国家队队长 OrzOrzOrzOrzOrzOrzOrzOrzOrzOrzOrzOrzOrzOrzOrzOrzOrzOrzOrzOrz
WKWebView 白屏问题,WKWebView request body丢失问题
1，WKWebView 白屏问题 WKWebView 自诩拥有更快的加载速度，更低的内存占用，但实际上 WKWebView 是一个多进程组件，Network Loading 以及 UI Rendering 在其它进程中执行。初次适配 WKWebView 的时候，我们也惊讶于打开 WKWebView 后，App 进程内存消耗反而大幅下降，但是仔细观察会发现，Other Process 的内存占用会...
Ubuntu18.04黑屏救急指南：从tty到图形界面的5种恢复方法（附网络配置技巧）
本文针对Ubuntu 18.04系统启动后出现黑屏并进入tty命令行的问题，提供了一套从紧急诊断到完全恢复图形化界面的系统性实战指南。文章详细讲解了五种核心恢复方法，包括重启显示管理器、重装ubuntu-desktop桌面环境、手动安装Xorg与LightDM等，并重点解决了纯命令行环境下的网络配置难题，帮助用户快速修复系统，恢复工作环境。
二次离线莫队
第一次莫队是对题目给的询问进行离线（其实就跟普通的莫队是一样的），第二次莫队是对莫队的询问进行离线，也就是本来普通莫队是。注意到最后统计到的每个询问的结果是下一个询问与当前这个询问的答案的差值，所以最后要做一个前缀和得到答案；的数的数目）没办法很好的统计，于是将这个询问离线，设动态数组。的数的数目，所以下一个询问的答案等于当前询问的答案加上。加一的时候，下一个询问的答案减去当前询问的答案等于。这个前缀的询问，当前这个询问变成三元组。加一的时候，我们如果按照上文，最后放入。的数的数目）非常特殊，于是设。
从爱好者到工程师：如何低成本体验RFSoC ZU47DR？性能实测与避坑指南
本文详细介绍了如何低成本体验赛灵思RFSoC ZU47DR芯片，包括二手开发板选购、租赁服务、精简开发环境搭建等实用方案。通过性能实测与避坑指南，帮助爱好者和工程师在有限预算下充分利用这款集成了ARM处理器和FPGA的高性能芯片，降低开发门槛。
莫队详解
莫队实际很简（du）单（liu） 依照某位dalao的说法，就是两只小手（two-pointers）瞎跳 一.莫队（静态莫队） 我们以Luogu P3901 数列找不同为例讲一下静态莫队 这道题是个绿题，因为数据比较弱，但真是一道良心的莫队练手题 莫队是由前国家队队长莫涛发明的 莫队算法的精髓就是通过合理地对询问排序，然后以较优的顺序暴力回答每个询问。处理完一个询问后，可以使用它的信息得...
UE5网络模块实战：属性复制、RPC与联机开发踩坑指南
多人联机开发中，网络同步是核心难题。UE5网络模块以服务器权威为基础，通过Actor复制、RPC和所有权机制实现多端状态一致。理解属性复制与OnRep回调、区分Server/Client/Multicast RPC的适用场景，是构建稳定联机架构的关键。本文结合数字孪生与多端协作场景，探讨如何将渲染与逻辑分离，并针对打包后网络失效、端口防火墙、崩溃排查等工程实践问题给出解决方案。通过蓝图接口解耦表现层，利用C++创建StaticMesh组件实现服务器逻辑与客户端表现分离，同时注意专用服务器不加载渲染依赖（如D
深度揭秘！用 DeepSeek 打造超智能电商客服系统全流程
摘要：本文围绕使用 DeepSeek 开发电商智能客服展开详细教程。先介绍前期准备，包括了解 DeepSeek、获取 API 权限与搭建开发环境。接着阐述数据收集预处理，结合电商业务逻辑实现商品与订单信息查询。还提及优化性能的方法，如模型微调、多轮对话管理和错误处理。然后说明了基于 Web 和云平台的部署方案。最后强调持续监控和改进的重要性，通过设置监控指标、收集分析用户反馈来优化系统，助力开发者打造高效电商智能客服。
一题N解 两种分块|四维莫队|容斥+二维莫队|希尔伯特排序莫队|zorder排序莫队
D. Strange Queries 两个区间查，一个经典思路是，对两个区间分别分块，然后维护块对块的贡献，也就是预处理f(i,j)f(i,j)f(i,j)表示一个序列的第iii个块，和另一个序列的前jjj个块的答案，这样，对于两个区间查，其中整块和整块的答案，就可以枚举其中一个区间的所有整块，然后前缀和查询，和另一个区间的所有整块的答案。这个做法有很强的拓展性，本题的两个区间都是在一个序列上的，实际上完全可以是两个不同的序列a,ba,ba,b，上分别查两个区间[la,ra][lb,rb][l_a,r_a]
飞牛NAS打造成童年经典游戏机
这篇文章介绍如何使用飞牛NAS搭建经典游戏模拟器。首先需开启Docker并下载RetroArch-web镜像，随后创建容器并设置端口映射。启动后上传游戏ROM文件（如NES格式），在模拟器中加载即可游玩。文章以修改版坦克大战为例，详细说明按键配置方法。同时还提到公网访问需配置DDNS或使用ZeroTier内网穿透。通过这套方案，用户可以在NAS上重温红白机等经典游戏体验。
分块与莫队，分块的暴力美学
很多时候，对于维护区间的问题，想到要用某种数据结构，但是实现过于繁琐，或者遇到自己的知识盲区，在数据量以及题目时限较为客观的情况下，分块/莫队可以解决我们的问题，而且大多数时候代码简单，可以在赛时更快的取得AC。
【DaVinci Configurator专题】-2-将CAN 2.0或CANFD Matrix的Arxml/DBC文件导入到CFG
共9页 目录 1 打开DaVinci Configurator，导入Arxml文件 2 解决导入Arxml文件后可能会出现的一些错误 3 验证CFG的配置 4 根据CFG的配置生成代码 5 结尾 <--返回「实战篇」博文-总目录--> <--返回「Autosar从入门到精通-实战篇」专栏主页--> 关键词： Open the Input Files Assistant Complete update process Update ECU configurati
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
（回滚莫队）洛谷 P5906 【模板】回滚莫队/SP20644 Zero Query 题解
这是更加正统的回滚莫队。
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
[模板] 各种莫队
简介 对于一些区间查询问题, 当询问与数组大小同阶时, 把询问按块排序, 可以得到均摊根号复杂度的算法. 普通莫队 不含修改, 单点加入/删除均较快 ( \(O(1)\) 或 \(O(\log n)\) 等). 流程 区间大小 \(S = \sqrt n\) 排序: 按 \((\lceil \frac lS \rceil , r)\) 二元组排序 移动左右指针转移 复杂度 \(O(n\sq...
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
莫队总结
省赛打得跟屎一样=_=，队友有思路了然鹅我们都不会写莫队，调不出来。回来恶补一波莫队。 不带修改莫队 通过对离线询问的一个玄学排序，使得左右指针移动的次数都相对的少，减少转移的次数 排序：左端点不同块的询问，按左端点所属块号升序排； 左端点同块的询问，按右端点升序排 奇偶性优化：对于左端点同块的询问，若左端点块号为奇数，按右端点升序排；为偶数则按右端点降序排。 可以减少右端点移动的次数。 放一个回...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3567
扫一扫
