Ural 1090. In the Army Now

本文介绍了一种使用线段树求解逆序对数量的方法,并通过一个具体实例展示了如何利用该方法找出多个序列中逆序对最多的序列。适用于算法竞赛及数据结构学习。

#include <iostream>
#include <cstdio>
#include <cstring>
#include <map>
#include <set>
#include <stack>
#include <queue>

using namespace std;
const int maxn=10010;
int sum;
int f[maxn*4];
void Build(int n)
{
    sum=0;
    n=n<<2;
    for(int i=0;i<=n;i++)
     f[i]=0;
}
void update(int t,int l,int r,int k)
{
    f[t]++;
    if(l==r-1)
        return;
    int mid=(l+r)/2;
    if(mid<k)
    {
        sum+=f[t<<1];
        update(t<<1|1,mid,r,k);
    }
    else
    {
        update(t<<1,l,mid,k);
    }
}
int main()
{
    //freopen("data","r",stdin);
    int n,m;
    scanf("%d%d",&n,&m);
    int ans=0,pre=n*n,a;
    for(int i=1;i<=m;i++)
    {
        Build(n);
        for(int j=0;j<n;j++)
        {
            scanf("%d",&a);
            update(1,0,n,a);
        }
        if(pre>sum)
        {
            pre=sum;
            ans=i;
        }
    }
    printf("%d\n",ans);
    return 0;
}

给出k个序列,求那个序列的逆序对最多。

用线段树求逆序对,树状数组也可以。


### URAL Networks介绍 URAL Networks代表一种专注于处理复杂结构化数据的神经网络架构,尤其适用于图形和其他非欧几里得域的数据。这类网络旨在解决传统深度学习方法难以应对的问题,在这些领域中,输入数据通常不是简单的向量或网格状排列的像素。 #### 图形上的卷积操作 对于图形上定义的任务,研究主要集中在如何有效地将卷积运算推广到这种不规则结构之上[^1]。具体来说: - **消息传递神经网络 (MPNN)** 是一类重要的模型,能够很好地捕捉节点间的关系并应用于多个科学计算场景,比如量子化学等领域。 - **非局部神经网络 (NLNN)** 则引入了自注意力机制来增强特征表达能力,尽管其具体的实现细节可能不如某些其他变体那样清晰界定。 - **图形网络 (GN) 框架** 不仅为现有GNNs提供了一个强有力的理论基础,同时也强调了通过适当的设计可以促进更广泛的泛化性能——这对于构建具备更强推理能力和鲁棒性的AI系统至关重要。 ```python import torch from torch_geometric.nn import MessagePassing, global_mean_pool class SimpleGraphConv(MessagePassing): def __init__(self, in_channels, out_channels): super(SimpleGraphConv, self).__init__() self.lin = torch.nn.Linear(in_channels, out_channels) def forward(self, x, edge_index): return self.propagate(edge_index, size=(x.size(0), x.size(0)), x=self.lin(x)) # Example usage of a simple graph convolution layer within an MPNN framework. ``` 上述代码片段展示了一个简化版的消息传递层实现方式,这是构成许多先进图神经网络的核心组件之一。 #### 应用实例 在实际应用方面,URAL Networks已经被成功部署到了诸如社交网络分析、推荐系统优化以及生物信息学等多个重要行业当中。特别是在涉及大规模异构交互模式识别的情况下表现出色。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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