BZOJ 3224:Tyvj 1728 普通平衡树

本文详细介绍了替罪羊树的基本操作,包括插入、重构、删除等,并提供了具体实现代码示例。通过对比不同平衡树的性能,展示了替罪羊树在处理特定问题上的优势。

都是平衡树的基本操作
爱splay的spaly
爱treap的terap
我刚学了替罪羊树来练练。。
插入及子树的重构看这篇BZOJ 1588:[HNOI2002]营业额统计
删除操作:先找到节点位置,然后如果该点只有一个儿子,就直接用其儿子替换改点,否则找到其前驱替换该点,然后删除其前驱
注意如果删了总树的根要记得改rt的值
(我个人喜欢删除后也判断是否重构,然而有神犇不这样干,我也不知我是不是画蛇添足。。)
mdzz 一开始 if 里只打了一个等于狂T+WA半小时
今天BZOJ抽了所以就交了tyvj,为了拿数据还创了个小号。。。
事实证明,替罪羊树只用了 200MS+ 的时间而某神犇的treap用了 800MS+ ,快的飞起。。 (怒艹神犇代码感觉真爽)
为了不跌rp赶紧orzorzorzorzorzorz%%%%%%%
然而想我这样制杖的错误也没谁了
其他的操作和其他的平衡树差不多。。就不一一赘述了


#include<cstdio>
#include<cstring>
#include<cmath>
#include<algorithm>
#define g getchar()
#define ll long long
#define inf 0x3f3f3f3f
using namespace std;
inline ll read(){
    ll x=0,f=1;char ch=g;
    for(;ch<'0'||ch>'9';ch=g)if(ch=='-')f=-1;
    for(;ch>='0'&&ch<='9';ch=g)x=x*10+ch-'0';
    return x*f;
}
inline void out(ll x){
    int a[25],t=0;
    if(x<0)putchar('-'),x=-x;
    for(;x;x/=10)a[++t]=x%10;
    for(int i=t;i;--i)putchar('0'+a[i]);
    if(t==0)putchar('0');
    putchar('\n');
}
int sz,size[100005],v[100005],fa[100005],t[100005][2],id,top,q[100005],rt,ans,n;
void ins(int &k,int x,int f){
    if(!k){k=++sz;v[k]=x;size[k]=1;fa[k]=f;return;}
    if(x<=v[k])ins(t[k][0],x,k);else ins(t[k][1],x,k);
    if(size[k]>=2&&max(size[t[k][0]],size[t[k][1]])>size[k]*0.7)id=k;
    size[k]=size[t[k][0]]+size[t[k][1]]+1;
}
void dfs(int x){
    if(!x)return;
    dfs(t[x][0]);
    q[++top]=x;
    dfs(t[x][1]);
}
void build(int &k,int l,int r){
    if(l>r)return;
    int mid=(l+r)>>1;
    k=q[mid];
    build(t[k][0],l,mid-1);
    build(t[k][1],mid+1,r);
    fa[t[k][0]]=fa[t[k][1]]=k;
    size[k]=size[t[k][0]]+size[t[k][1]]+1;
}
void re_build(int x){
    dfs(x);int pre=fa[x];
    for(int i=1;i<=top;++i)t[q[i]][0]=t[q[i]][1]=fa[q[i]]=size[q[i]]=0;
    if(!pre)build(rt,1,top);
    else if(t[pre][0]==x)build(t[pre][0],1,top);else build(t[pre][1],1,top);
    fa[t[pre][0]]=fa[t[pre][1]]=pre;
    top=id=0;
}
void erase(int x){
    if(t[x][1]&&t[x][0]){
        int tpp=t[x][0];
        for(;t[tpp][1];tpp=t[tpp][1]);
        v[x]=v[tpp];x=tpp;
    }
    int son=(t[x][1])?t[x][1]:t[x][0],lorr=t[fa[x]][1]==x;
    t[fa[x]][lorr]=son;fa[son]=fa[x];
    for(int i=fa[x];i;i=fa[i]){
        size[i]--;
        if(size[i]>=3)if(max(size[t[i][1]],size[t[i][0]])>size[i]*0.7)id=i;
    }
    if(rt==x)rt=son;
}//删除
void ask_rank(int k,int x,int now){
    if(!k)return;
    if(v[k]==x){ans=now+size[t[k][0]]+1;ask_rank(t[k][0],x,now);}
    else if(v[k]>x)ask_rank(t[k][0],x,now);
    else ask_rank(t[k][1],x,now+size[t[k][0]]+1);
}
void ask_num(int k,int rnk){
    if(!k)return;
    if(rnk==size[t[k][0]]+1){ans=v[k];return;}
    if(rnk<=size[t[k][0]])ask_num(t[k][0],rnk);
    else ask_num(t[k][1],rnk-1-size[t[k][0]]);
}
void lower(int k,int x){
    if(!k)return;
    if(x>v[k])ans=v[k],lower(t[k][1],x);else lower(t[k][0],x);
}
void higher(int k,int x){
    if(!k)return;
    if(x<v[k])ans=v[k],higher(t[k][0],x);else higher(t[k][1],x);
}
int find(int k,int x){
    if(x==v[k])return k;
    return x<v[k]?find(t[k][0],x):find(t[k][1],x);
}
int main(){
//  freopen("1.in","r",stdin);
//  freopen("","w",stdout);
    n=read();
    for(int i=1;i<=n;++i){
        int opt=read(),x=read();
        switch(opt){
            case 1:ins(rt,x,0);if(id)re_build(id);break;
            case 2:erase(find(rt,x));if(id)re_build(id);break;
            case 3:ask_rank(rt,x,0);out(ans);break;
            case 4:ask_num(rt,x);out(ans);break;
            case 5:lower(rt,x);out(ans);break;
            case 6:higher(rt,x);out(ans);break;
        }
    }
    return 0;
}
植物实例分割数据集 一、基础信息 数据集名称:植物实例分割数据集 图片数量: - 训练集:9,600张图片 - 验证集:913张图片 - 测试集:455张图片 总计:10,968张图片 分类类别:59个类别,对应数字标签0至58,涵盖多种植物状态或特征。 标注格式:YOLO格式,适用于实例分割任务,包含多边形标注点。 数据格式:图像文件,来源于植物图像数据库,适用于计算机视觉任务。 二、适用场景 • 农业植物监测AI系统开发:数据集支持实例分割任务,帮助构建能够自动识别植物特定区域并分类的AI模型,辅助农业专家进行精准监测和分析。 • 智能农业应用研发:集成至农业管理平台,提供实时植物状态识别功能,为作物健康管理和优化种植提供数据支持。 • 学术研究与农业创新:支持植物科学与人工智能交叉领域的研究,助力发表高水平农业AI论文。 • 农业教育与培训:数据集可用于农业院校或培训机构,作为学生学习植物图像分析和实例分割技术的重要资源。 三、数据集优势 • 精准标注与多样性:标注采用YOLO格式,确保分割区域定位精确;包含59个类别,覆盖多种植物状态,具有高度多样性。 • 数据量丰富:拥有超过10,000张图像,大规模数据支持模型充分学习和泛化。 • 任务适配性强:标注兼容主流深度学习框架(如YOLO、Mask R-CNN等),可直接用于实例分割任务,并可能扩展到目标检测或分类等任务。
评论 5
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