HDU 1754 I Hate It

本文深入探讨了线段树算法,一种高效的数据结构用于解决区间查询和更新问题。通过具体的编程实现,展示了如何构建线段树,进行节点更新以及区间查询,特别关注于求区间最大值的应用场景。

很多学校流行一种比较的习惯。老师们很喜欢询问,从某某到某某当中,分数最高的是多少。
这让很多学生很反感。

不管你喜不喜欢,现在需要你做的是,就是按照老师的要求,写一个程序,模拟老师的询问。当然,老师有时候需要更新某位同学的成绩。

Input

本题目包含多组测试,请处理到文件结束。
在每个测试的第一行,有两个正整数 N 和 M ( 0<N<=200000,0<M<5000 ),分别代表学生的数目和操作的数目。
学生ID编号分别从1编到N。
第二行包含N个整数,代表这N个学生的初始成绩,其中第i个数代表ID为i的学生的成绩。
接下来有M行。每一行有一个字符 C (只取'Q'或'U') ,和两个正整数A,B。
当C为'Q'的时候,表示这是一条询问操作,它询问ID从A到B(包括A,B)的学生当中,成绩最高的是多少。
当C为'U'的时候,表示这是一条更新操作,要求把ID为A的学生的成绩更改为B。

Output

对于每一次询问操作,在一行里面输出最高成绩。

Sample Input

5 6
1 2 3 4 5
Q 1 5
U 3 6
Q 3 4
Q 4 5
U 2 9
Q 1 5

Sample Output

5
6
5
9

线段树 改点求区间最值模型

用了三个操作:建树,更新,查询

 

#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
#define lson l,m,i<<1
#define rson m+1,r,i<<1|1
using namespace std;
const int MAXN = 2e5 + 10;
int ans;
typedef struct Node
{
    int l,r,v;
    int mid()
    {
        return (l+r)/2.0;
    }
} Node;
Node node[MAXN<<2];

void push_up(int i)//往上更新
{
    node[i].v=max(node[i<<1].v,node[i<<1|1].v);
}

void Build(int l,int r, int i)
{
    node[i].l=l;
    node[i].r=r;
    node[i].v=0;
    if(l==r)
    {
        cin>>node[i].v;
        return ;
    }
    int m=node[i].mid();
    Build(lson);
    Build(rson);
    push_up(i);
    return ;
}

void Update(int l,int r,int i,int num,int v)
{
    if(l==r && l==num)  //易错
    {
        node[i].v=v;
        return ;
    }
    int m=node[i].mid();
    if(num<=m)
        Update(l,m,i<<1,num,v);
    else
        Update(m+1,r,i<<1|1,num,v);
    push_up(i);
    return ;
}

void query(int l,int r,int i)
{
    if(node[i].l==l && node[i].r==r)
    {
        ans=max(node[i].v,ans);
        return ;
    }
    int m=node[i].mid();
    if(r<=m)
    {
        query(l,r,i<<1);
    }
    else
    {
        if(l>m)
            query(l,r,i<<1|1);
        else
        {
            query(l,m,i<<1);
            query(m+1,r,i<<1|1);
        }
    }
    return ;
}

int main()
{
    ios::sync_with_stdio(false);
    int i,j,n,m;
    while(cin>>n>>m)
    {
        Build(1,n,1);
        for(i=0; i<m; i++)
        {
            int a,b;
            char c;
            scanf(" %c%d%d",&c,&a,&b);
            if(c=='Q')
            {
                ans=0;
                query(a,b,1);
                printf("%d\n",ans);
            }
            else if(c=='U')
                Update(1,n,1,a,b);
        }
    }
    return 0;
}

 

同步定位与地图构建(SLAM)技术为移动机器人或自主载具在未知空间中的导航提供了核心支撑。借助该技术,机器人能够在探索过程中实时构建环境地图并确定自身位置。典型的SLAM流程涵盖传感器数据采集、数据处理、状态估计及地图生成等环节,其核心挑战在于有效处理定位与环境建模中的各类不确定性。 Matlab作为工程计算与数据可视化领域广泛应用的数学软件,具备丰富的内置函数与专用工具箱,尤其适用于算法开发与仿真验证。在SLAM研究方面,Matlab可用于模拟传感器输出、实现定位建图算法,并进行系统性能评估。其仿真环境能显著降低实验成本,加速算法开发与验证周期。 本次“SLAM-基于Matlab的同步定位与建图仿真实践项目”通过Matlab平台完整再现了SLAM的关键流程,包括数据采集、滤波估计、特征提取、数据关联与地图更新等核心模块。该项目不仅呈现了SLAM技术的实际应用场景,更为机器人导航与自主移动领域的研究人员提供了系统的实践参考。 项目涉及的核心技术要点主要包括:传感器模型(如激光雷达与视觉传感器)的建立与应用、特征匹配与数据关联方法、滤波器设计(如扩展卡尔曼滤波与粒子滤波)、图优化框架(如GTSAM与Ceres Solver)以及路径规划与避障策略。通过项目实践,参与者可深入掌握SLAM算法的实现原理,并提升相关算法的设计与调试能力。 该项目同时注重理论向工程实践的转化,为机器人技术领域的学习者提供了宝贵的实操经验。Matlab仿真环境将复杂的技术问题可视化与可操作化,显著降低了学习门槛,提升了学习效率与质量。 实践过程中,学习者将直面SLAM技术在实际应用中遇到的典型问题,包括传感器误差补偿、动态环境下的建图定位挑战以及计算资源优化等。这些问题的解决对推动SLAM技术的产业化应用具有重要价值。 SLAM技术在工业自动化、服务机器人、自动驾驶及无人机等领域的应用前景广阔。掌握该项技术不仅有助于提升个人专业能力,也为相关行业的技术发展提供了重要支撑。随着技术进步与应用场景的持续拓展,SLAM技术的重要性将日益凸显。 本实践项目作为综合性学习资源,为机器人技术领域的专业人员提供了深入研习SLAM技术的实践平台。通过Matlab这一高效工具,参与者能够直观理解SLAM的实现过程,掌握关键算法,并将理论知识系统应用于实际工程问题的解决之中。 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