【线段树】 BZOJ 5334

本文介绍了一种利用线段树优化模数运算的方法,解决了一个初始值为1的变量x在多次乘法和逆运算下求模的问题。通过单点修改和维护树的乘积状态,实现了高效的操作和输出。

传送门

【题目大意】

有一个初始值为1的变量x。给定一个模数mod。有Q次操作,给x乘上一个数 或 给x除以之前乘的某个数。每次操作完输出x%mod。【x本身并没有取模,只是对答案取模】

【输入】

一共有t组输入(t ≤ 5)

对于每一组输入,第一行是两个数字Q, mod(Q ≤ 100000, mod  ≤ 1000000000); 

接下来Q行,每一行为操作类型op,操作编号或所乘的数字m(保证所有的输入都是合法的).

1 ≤ Q ≤ 100000

【输出】

对于每一个操作,输出一行,包含操作执行后的x%mod的值

Sample Input

1
10 1000000000
1 2
2 1
1 2
1 10
2 3
2 4
1 6
1 7
1 12
2 7

Sample Output

2
1
2
20
10
1
6
42
504
84

【思路】一开始以为是模拟,后来发现之前取了模,就不能直接除回去!

用线段树维护一下就行了。树的叶子节点表示第i次操作的值。修改的时候就是单点修改。每次输出根节点的乘积。

#include<bits/stdc++.h>
#define lc (root<<1)
#define rc (root<<1|1)
#define mid (T[root].l+T[root].r>>1)
#define int long long
using namespace std;
const int maxn=1e6+5;
struct node{
	int l,r,mul;
}T[maxn<<2];
int t,Q,mod,op,m;
int read(){
	int x=0;char ch=getchar();
	while(!isdigit(ch)) ch=getchar();
	while(isdigit(ch)) x=x*10+ch-'0',ch=getchar();
	return x;
}
void prin(int x){
	if(x>9) prin(x/10);
	putchar(x%10+48);
}
inline void pushup(int root) {T[root].mul=(T[lc].mul*T[rc].mul)%mod;}
void build(int root,int l,int r){
	T[root].l=l,T[root].r=r,T[root].mul=1;
	if(l==r) return;
	build(lc,l,mid),build(rc,mid+1,r);
}
void update(int root,int pos,int m){
	if(T[root].l==T[root].r){
		T[root].mul=m;
		return;
	}
	if(pos<=mid) update(lc,pos,m);
	else update(rc,pos,m);
	pushup(root);
}
void delt(int root,int pos){
	if(T[root].l==T[root].r){
		T[root].mul=1;
		return;
	}
	if(pos<=mid) delt(lc,pos);
	else delt(rc,pos);
	pushup(root);
}
signed main(){
	t=read();
	while(t--){
		Q=read(),mod=read();
		build(1,1,Q);
		for(int i=1;i<=Q;++i){
			op=read(),m=read();
			if(op==1){
				update(1,i,m);
				prin(T[1].mul%mod);
				putchar('\n');
			}
			if(op==2){
				delt(1,m);
				prin(T[1].mul%mod);
				putchar('\n');
			}
		}
	}
}

 

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
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