POJ 2828 线段树

本文介绍了解决POJ 2828队列问题的方法,通过逆向思维构建线段树来高效地处理每个人在队列中的插入位置。文章详细解释了线段树的构建过程及更新操作,并提供了完整的C++实现代码。

题目链接:http://poj.org/problem?id=2828

题意:队列问题,每个人会插入一个位置,每个人有固定id,即val。输出最后队列。

思路:这道题如果正着想会比较难,但是如果考虑从数据末往会考虑就可以发现这个时候序列就已经是固定了的。现在难得就是怎么构建线段树了。考虑每个叶子节点存储一个标志位标志这个位置有没有人,往上的节点存储它的两个儿子中可以放人的个数。查询的时候,如果当前节点p大于左子树可以存储的数量,即p < sum[rt<<1],则访问左子树,意思是把它放在它想放的最靠近的位置,否则访问它的右子树,这时候要考虑迭代的p应该要改变成p-sum[rt<<1]。输出的话,再建立一棵树存储val的值输出就可以了。

#include <iostream>
#include <stdio.h>
#include <math.h>
#include <algorithm>
#include <cstring>
#include <string>
using namespace std;

const int maxn = 200005;
int a[maxn],val[maxn];
int sum[maxn << 2],ans[maxn<<2];
void PushUp(int rt)
{
    sum[rt] = sum[rt << 1] + sum[rt << 1 | 1];
}

void build(int l, int r, int rt)
{
    if (l == r)
    {
        sum[rt]=1;
        return;
    }
    int m = (l + r) >> 1;
    build(l, m, rt << 1);
    build(m + 1, r, rt << 1 | 1);
    PushUp(rt);
}

void update(int p,int val , int l, int r, int rt)
{
    if (l == r)
    {
        ans[rt]=val;
        sum[rt]=0;
        return;
    }
    int m = (l + r) >> 1;
    if (p<=sum[rt<<1]) update(p,val, l, m,   rt << 1);
    else update(p-sum[rt<<1],val,  m + 1, r, rt << 1 | 1);//注意p的变更
    PushUp(rt);
}

void pr(int l,int r,int rt)
{
    if(l==r){
        printf("%d ",ans[rt]);return;
    }
    int m=(l+r)>>1;
    pr(l,m,rt<<1);
    pr(m+1,r,rt<<1|1);
}

int main()
{
    int n;
    while(~scanf("%d",&n)){
        for(int i=0;i<n;i++){
            scanf("%d%d",&a[i],&val[i]);
        }
        build(1,n,1);
        for(int i=n-1;i>=0;i--){
            update(a[i]+1,val[i],1,n,1);
        }
        pr(1,n,1);
        printf("\n");
    }
    return 0;
}
MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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