「JOISC 2014 Day1」历史研究

博客内容讲述了如何解决一个关于序列的问题,即找出[l,r]区间内ai个数w的权值ai*w的最大值。由于问题涉及区间内的单点最大值,传统的莫队算法不适用。作者提出了采用区间sqrt(n)分块的方法,并对l和r进行排序。在处理每个l区间时,利用r的有序性进行优化,确保了算法的效率。" 106037363,8710672,Win10下Eclipse连接Ubuntu虚拟机Hadoop实践,"['Hadoop', 'Ubuntu', 'Eclipse', 'Windows', '虚拟机配置']

给出一个序列,问[l,r]区间内ai个数w的权值ai*w的最大值。

 

还是求各种区间的统计值,继续莫队。

 

由于这里是求区间里面的单点最大值,因此不能用普通的莫队。

对区间sqrt(n)分块后,一个一个区间处理。

按l的区间排序。如果同区间,则按r排序。

 

在处理同一个l区间时,由于r是有序的,r不断的往前移动o(n)。对于l,l的活动范围就是sqrt(n)。

l每次都从区间的右边开始往左边移动,然后不断的统计。

对于r在区间内的,这种需要特殊处理。由于r在区间内的只有sqrt(n)个,因此复杂度也是O(N)。

 

int block_size;

struct query{
	int l,r,id;
	int block;
	int r_block;
	int t;
	bool operator<(const query &q) const{
		if(block != q.block) return block<q.block;
		return r<q.r; //直接按关键字排序
	}
}q[N];


ll sum;
int x[N],val[N];
int num[N],tmp[N];
ll ans[N];

void add(int idx){
	num[idx]++;
	sum = max(sum, 1ll*val[idx]*num[idx]);
}

int main(){
	int n,Q;
	sf("%d%d",&n,&Q);
	fr(i,1,n+1) {
		sf("%d",&x[i]);
		val[i] = x[i];
	}

	sort(val+1, val+n+1);
	int m = unique(val+1, val+n+1) - (val+1);
	fr(i,1,n+1) x[i] = lower_bound(val+1,val+m+1, x[i]) - val;

	block_size = sqrt(n);
	vector<query> q;
	fr(i,0,Q){
		query qy;
		sf("%d%d",&qy.l,&qy.r);
		qy.block = qy.l/block_size;
		qy.r_block = qy.r/block_size;
		qy.id = i;
		q.pb(qy);
	}

	sort(q.begin(), q.end());
	int lt = 0, rt = 0;
	int l = 0,r = 0;
	sum = 0;
	fr(i,0,q.size()){
		if(i==0 || q[i].block != q[i-1].block){
			// init new block
			while(r>rt){
				--num[x[r--]]; //块移动到下一个了,把之前r走过的都去掉。l每次都是在原点,所以不需要清理。这里最后的结果就是memset(num,0,sizeof(num));
			}
            //继续该区间的左右界,r从右界开始往右移动,l从右界+1开始往左移动。l,r的定义为当前是准备移动的。因此移动的时候是--l和++r。
			l = block_size * (q[i].block+1);
			r = block_size * (q[i].block+1)-1;
			lt = block_size* q[i].block;
			rt = block_size *(q[i].block+1)-1;
			sum = 0;
		}

		if(q[i].r_block == q[i].block){
			// inside block
			ll tmp_sum = 0;
			for(int j = q[i].l; j <=q[i].r; ++j){
				tmp[x[j]]++;
				tmp_sum = max(tmp_sum, 1ll*tmp[x[j]] * val[x[j]]);
			}
			for(int j = q[i].l; j <=q[i].r; ++j){
				tmp[x[j]]=0;
			}
			ans[q[i].id] = tmp_sum;
			continue;
		}
		while(r < q[i].r){
			add(x[++r]);
		}
		ll tmp = sum;
		while(l>q[i].l) add(x[--l]);
		ans[q[i].id] = sum;
		while(l<=rt) --num[x[l++]]; //还原l到原点
		sum = tmp;
	}
	fr(i,0,q.size()){
		pf("%lld\n",ans[i]);
	}
	pf("\n");
}

 

基于STM32 F4的永磁同步电机无位置传感器控制策略研究内容概要:本文围绕基于STM32 F4的永磁同步电机(PMSM)无位置传感器控制策略展开研究,重点探讨在不依赖物理位置传感器的情况下,如何通过算法实现对电机转子位置和速度的精确估计与控制。文中结合嵌入式开发平台STM32 F4,采用如滑模观测器、扩展卡尔曼滤波或高频注入法等先进观测技术,实现对电机反电动势或磁链的估算,进而完成无传感器矢量控制(FOC)。同时,研究涵盖系统建模、控制算法设计、仿真验证(可能使用Simulink)以及在STM32硬件平台上的代码实现与调试,旨在提高电机控制系统的可靠性、降低成本并增强环境适应性。; 适合人群:具备一定电力电子、自动控制理论基础和嵌入式开发经验的电气工程、自动化及相关专业的研究生、科研人员及从事电机驱动开发的工程师。; 使用场景及目标:①掌握永磁同步电机无位置传感器控制的核心原理与实现方法;②学习如何在STM32平台上进行电机控制算法的移植与优化;③为开发高性能、低成本的电机驱动系统提供技术参考与实践指导。; 阅读建议:建议读者结合文中提到的控制理论、仿真模型与实际代码实现进行系统学习,有条件者应在实验平台上进行验证,重点关注观测器设计、参数整定及系统稳定性分析等关键环节。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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