【hdu6091】Rikka with Match(【xsy2543】恐怖分子)【线段树】

本文探讨了在一个n*m网格中,含有K个障碍点的情况下,如何高效计算以任意点为顶点且不包含障碍点的矩形数量。通过将问题转化为四个方向的计算,并利用类似于李超线段树的数据结构进行扫描线处理,实现了O(n*log^2(n))的时间复杂度。文章详细介绍了算法思路和具体实现代码。

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

题意

n*m方格上有K个障碍点,Q次询问以一个点为顶点的矩形中不内含障碍点的有多少个

题解

以蓝圈为询问点的另一矩形顶点在下图范围(红圈为障碍点)
在这里插入图片描述
于是把图分成(左上,右下,左下,右上)四块,对于每一块计算贡献
可以把当前计算的边角位旋转到左下,按x扫描线,用线段树维护下图灰色阴影面积,用总的方框减去就是当前贡献
在这里插入图片描述
这里的线段树类似李超线段树,比较复杂,比正常线段树多一个操作cal,就是钦定一条x=linex=linex=line的直线,把它左边的部分面积也算入贡献,在插入的时候高的覆盖矮的也用到
具体细节请看代码(不会表达qwq)
时间O(n∗log2(n))O(n*log^2(n))O(nlog2(n))

代码

#include<iostream>
#include<iomanip>
#include<stack>
#include<queue>
#include<list>
#include<vector>
#include<set>
#include<string>
#include<algorithm>
#include<complex>
#include<cmath>
#include<cstdio>
#include<cstring>
#define db double
#define inf 200005
#define rd(n) {n=0;char ch;int f=0;do{ch=getchar();if(ch=='-'){f=1;}}while(ch<'0'||ch>'9');while('0'<=ch&&ch<='9'){n=(n<<1)+(n<<3)+ch-48;ch=getchar();}if(f)n=-n;}
using namespace std;
#define int long long

struct ST{
	int maxv,sum;
}t[inf*4];

struct pt2{
	int mv,sum;
	pt2(){}
	pt2(int xx,int yy){
		sum=xx,mv=yy;
	}
};

int ST_cal(int u,int l,int r,int line){
	if (l==r){
		return max(t[u].maxv,line);
	}
	int mid=(l+r)/2;
	if (line<=t[u*2+1].maxv){
		return t[u].sum-t[u*2+1].sum+ST_cal(u*2+1,mid+1,r,line);
	}
	else{
		return line*(r-mid)+ST_cal(u*2,l,mid,line);
	}
}

void ST_pushup(int u,int l,int r,int mid){
	t[u].sum=t[u*2+1].sum+ST_cal(u*2,l,mid,t[u*2+1].maxv);
	t[u].maxv=max(t[u*2].maxv,t[u*2+1].maxv);
	return;
}

void ST_insert(int u,int l,int r,int k,int v){
	if (l==r){
		t[u].sum=t[u].maxv=v;
		return;
	}
	int mid=(l+r)/2;
	if (k<=mid){
		ST_insert(u*2,l,mid,k,v);
	}
	else{
		ST_insert(u*2+1,mid+1,r,k,v);
	}
	ST_pushup(u,l,r,mid);
	return;
}

pt2 ST_query(int u,int l,int r,int L,int R,int line){
	if (L<=l && r<=R){
		return pt2(ST_cal(u,l,r,line),max(line,t[u].maxv));
	}
	int mid=(l+r)/2;
	if (R<=mid){
		return ST_query(u*2,l,mid,L,R,line);
	}
	if (L>mid){
		return ST_query(u*2+1,mid+1,r,L,R,line);
	}
	pt2 t2=ST_query(u*2+1,mid+1,r,L,R,line);
	pt2 t1=ST_query(u*2,l,mid,L,R,t2.mv);
	return pt2(t1.sum+t2.sum,t1.mv);
}

struct point{
	int x,y,id;
}a[inf];

bool operator<(point _1,point _2){
	if (_1.x==_2.x){
		return _1.y<_2.y;
	}
	return _1.x<_2.x;
}

int n,m,K,Q;
int N,lst[inf],ans[inf];

void rotate(void){
	for (int i=1;i<=N;i++){
		int tmp=a[i].x;
		a[i].x=m-a[i].y+1;
		a[i].y=tmp;
	}
	swap(n,m);
	return;
}

void solve(void){
	for (int i=1;i<inf*4;i++){
		t[i].maxv=t[i].sum=0;
	}
	memset(lst,0,sizeof(lst));
	sort(a+1,a+N+1);
	int nxt=1;
	for (int i=1;i<=N;i=nxt+1){
		nxt=i;
		while (a[nxt+1].x==a[nxt].x){
			nxt++;
		}
		int L=0;
		for (int j=i;j<=nxt;j++){
			if (!a[j].id){
				L=a[j].y;
			}
			else if (a[j].y-1>=L+1){
				int tmp=ST_query(1,1,m,L+1,a[j].y-1,lst[a[j].y]).sum;
				ans[a[j].id]+=a[j].x*(a[j].y-L-1)-tmp;
			}
		}
		for (int j=i;j<=nxt;j++){
			if (!a[j].id){
				ST_insert(1,1,m,a[j].y,a[j].x);
				lst[a[j].y]=a[j].x;
			}
		}
	}
	return;
}

main(){
	rd(n) rd(m) rd(K) rd(Q)
	for (int i=1;i<=K;i++){
		rd(a[i].x) rd(a[i].y)
	}
	for (int i=K+1;i<=K+Q;i++){
		rd(a[i].x) rd(a[i].y)
		a[i].id=i-K;
	}
	N=K+Q;
	for (int i=1;i<=4;i++){
		rotate();
		solve();
	}
	for (int i=1;i<=Q;i++){
		printf("%lld\n",ans[i]+1);
	}
	return 0;
}
内容概要:本文详细介绍了扫描单分子定位显微镜(scanSMLM)技术及其在三维超分辨体积成像中的应用。scanSMLM通过电调透镜(ETL)实现快速轴向扫描,结合4f检测系统将不同焦平面的荧光信号聚焦到固定成像面,从而实现快速、大视场的三维超分辨成像。文章不仅涵盖了系统硬件的设计与实现,还提供了详细的软件代码实现,包括ETL控制、3D样本模拟、体积扫描、单分子定位、3D重建和分子聚类分析等功能。此外,文章还比较了循环扫描与常规扫描模式,展示了前者在光漂白效应上的优势,并通过荧光珠校准、肌动蛋白丝、线粒体网络和流感A病毒血凝素(HA)蛋白聚类的三维成像实验,验证了系统的性能和应用潜力。最后,文章深入探讨了HA蛋白聚类与病毒感染的关系,模拟了24小时内HA聚类的动态变化,提供了从分子到细胞尺度的多尺度分析能力。 适合人群:具备生物学、物理学或工程学背景,对超分辨显微成像技术感兴趣的科研人员,尤其是从事细胞生物学、病毒学或光学成像研究的科学家和技术人员。 使用场景及目标:①理解和掌握scanSMLM技术的工作原理及其在三维超分辨成像中的应用;②学习如何通过Python代码实现完整的scanSMLM系统,包括硬件控制、图像采集、3D重建和数据分析;③应用于单分子水平研究细胞内结构和动态过程,如病毒入侵机制、蛋白质聚类等。 其他说明:本文提供的代码不仅实现了scanSMLM系统的完整工作流程,还涵盖了多种超分辨成像技术的模拟和比较,如STED、GSDIM等。此外,文章还强调了系统在硬件改动小、成像速度快等方面的优势,为研究人员提供了从理论到实践的全面指导。
内容概要:本文详细介绍了基于Seggiani提出的渣层计算模型,针对Prenflo气流床气化炉中炉渣的积累和流动进行了模拟。模型不仅集成了三维代码以提供气化炉内部的温度和浓度分布,还探讨了操作条件变化对炉渣行为的影响。文章通过Python代码实现了模型的核心功能,包括炉渣粘度模型、流动速率计算、厚度更新、与三维模型的集成以及可视化展示。此外,还扩展了模型以考虑炉渣组成对特性的影响,并引入了Bingham流体模型,更精确地描述了含未溶解颗粒的熔渣流动。最后,通过实例展示了氧气-蒸汽流量增加2%时的动态响应,分析了温度、流动特性和渣层分布的变化。 适合人群:从事煤气化技术研究的专业人士、化工过程模拟工程师、以及对工业气化炉操作优化感兴趣的科研人员。 使用场景及目标:①评估不同操作条件下气化炉内炉渣的行为变化;②预测并优化气化炉的操作参数(如温度、氧煤比等),以防止炉渣堵塞;③为工业气化炉的设计和操作提供理论支持和技术指导。 其他说明:该模型的实现基于理论公式和经验数据,为确保模型准确性,实际应用中需要根据具体气化炉的数据进行参数校准。模型还考虑了多个物理场的耦合,包括质量、动量和能量守恒方程,能够模拟不同操作条件下的渣层演变。此外,提供了稳态求解器和动态模拟工具,可用于扰动测试和工业应用案例分析。
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