长链剖分学习笔记

本文是关于长链剖分的学习笔记,探讨了所有链长度为O(n)级别,以及如何求解任意点的k级祖先。通过记录倍增数组和重链信息,可以高效地进行跳跃查找,同时讨论了快速计算可合并子树信息的方法和维护贪心策略。还提及了求LCA的三种常见算法:树剖、倍增和Tarjan算法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

yyb的博客
所有链长度的和是O(n)级别的。
任意一个点的k次祖先y所在的长链的长度大于等于k
任何一个点向上跳跃重链的次数不会超过 n \sqrt n n

一.求k级祖先
记录倍增数组,以及每条重链,还有每条重链顶端的k级祖先,其中k不超过该重链的长度
于是储存大小是 O ( n ) O(n) O(n)级别的
跳的时候先跳最高位(二进制下的),于是所在链的长度大于等于 k − 2 r k-2^r k2r,于是从该链的顶端开始查找 k ′ k' k级祖先即可
当然,如果长链的长度已经够了的话,就不用从顶端去跳了
二.快速计算可合并的以深度为下标的子树信息
三.维护一些奇怪的贪心

附:求LCA方面的办法
1.树剖
2.倍增
3.tarjan
参考这篇博客

#include<cstdio>
#define N 420000
struct hehe{
    int next;
    int to;
    int lca;
};
hehe edge[N];//树的链表
hehe qedge[N];//需要查询LCA的两节点的链表
int n,m,p,x,y;
int num_edge,num_qedge,head[N],qhead[N];
int father[N];
int visit[N];//判断是否被找过 
void add_edge(int from,int to){//建立树的链表 
    edge[++num_edge].next=head[from];
    edge[num_edge].to=to;
    head[from]=num_edge;
}
void add_qedge(int from,int to){//建立需要查询LCA的两节点的链表 
    qedge[++num_qedge].next=qhead[from];
    qedge[num_qedge].to=to;
    qhead[from]=num_qedge;
}
int find(int z){//找爹函数 
    if(father[z]!=z)
        father[z]=find(father[z]);
    return father[z];
}
int dfs(int x){//把整棵树的一部分看作以节点x为根节点的小树 
    father[x]=x;//由于节点x被看作是根节点,所以把x的father设为它自己 
    visit[x]=1;//标记为已被搜索过 
    for(int k=head[x];k;k=edge[k].next)//遍历所有与x相连的节点 
        if(!visit[edge[k].to]){//若未被搜索 
            dfs(edge[k].to);//以该节点为根节点搞小树 
            father[edge[k].to]=x;//把x的孩子节点的father重新设为x 
        }
    for(int k=qhead[x];k;k=qedge[k].next)//搜索包含节点x的所有询问 
        if(visit[qedge[k].to]){//如果另一节点已被搜索过 
            qedge[k].lca=find(qedge[k].to);//把另一节点的祖先设为这两个节点的最近公共祖先 
            if(k%2)//由于将每一组查询变为两组,所以2n-1和2n的结果是一样的 
                qedge[k+1].lca=qedge[k].lca;
            else
                qedge[k-1].lca=qedge[k].lca;
        }
}
int main(){
    scanf("%d%d%d",&n,&m,&p);//输入节点数,查询数和根节点 
    for(int i=1;i<n;++i){
        scanf("%d%d",&x,&y);//输入每条边 
        add_edge(x,y);
        add_edge(y,x);
    }
    for(int i=1;i<=m;++i){
        scanf("%d%d",&x,&y);//输入每次查询,考虑(u,v)时若查找到u但v未被查找,所以将(u,v)(v,u)全部记录 
        add_qedge(x,y);
        add_qedge(y,x);
    }
    dfs(p);//进入以p为根节点的树的深搜 
    for(int i=1;i<=m;i++)
        printf("%d ",qedge[i*2].lca);//两者结果一样,只输出一组即可 
    return 0;
}
### DeepSeek 推理实现方法 DeepSeek R1 在处理复杂推理场景方面表现出显著优势,特别是在科研领域中能够有效支持研究人员的工作[^1]。为了应对推理中的挑战,DeepSeek采用了多种策略和技术。 #### 推理架构的发展历程 推理大型语言模型(LLM)经历了多个发展阶段,旨在克服直接自回归推理的局限性,并建立更为先进的慢思考推理框架[^2]。这种演进使得像DeepSeek这样的系统能够在面对时间跨度或多步骤逻辑条时保持高效性和准确性。 #### Speculative Decoding 技术的应用 针对提高推理效率的需求,研究者提出了Speculative Decoding的方法。这种方法利用了一个较轻量级的语言模型作为Draft Model来预生成一系列可能的结果token;随后再把这些候选序列送入原生的强大LLM——即Target Model中进行验证和下一步预测。这种方式不仅加快了整个过程的速度,还降低了对内存带宽的要求,进而提高了整体性能表现[^3]。 ```python def speculative_decoding(target_model, draft_model, input_sequence): # 使用draft model连续生成若干个候选Token candidate_tokens = draft_model.generate(input_sequence) verified_output = [] for token in candidate_tokens: # 将候选Token放入target model做验证&Next Token生成 verification_result = target_model.verify_and_predict_next_token(token) if verification_result['is_valid']: verified_output.append(verification_result['next_token']) return ''.join(verified_output) ``` #### 故障排查与解决方案建议 当遇到DeepSeek在执行推理过程中出现问题时,可以考虑以下几个方向来进行诊断: - **数据质量问题**:确保输入的数据质量良好,避免噪声干扰导致错误判断。 - **参数配置不当**:检查是否正确设置了所有必要的超参数以及环境变量。 - **硬件资源不足**:确认有足够的计算能力和存储空间供程序运行。 - **算法缺陷或版本不兼容**:更新至最新稳定版软件包,并审查现有代码是否存在已知漏洞或者设计上的瑕疵。 通过上述措施通常能有效地定位并解决问题所在,保障系统的正常运作和服务水平。
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