hdu1556-color the ball 线段树

本文详细介绍了线段树算法的应用实例,通过一个具体的气球涂色问题,展示了如何使用线段树进行区间更新和查询操作。文章包含了完整的C++代码实现。

1556

Sample Input
  
3 //三组数 1 1 //涂气球的区间 2 2 3 3 3 1 1 1 2 1 3 0
 
Sample Output
  
1 1 1 //第一个气球被涂1次颜色 第二个气球被涂2次颜色 第三个气球被涂3次颜色 3 2 1

#include <iostream>
#include <stdio.h>
using namespace std;
#define MAXN 100010
struct Node{
    int L,R;
    int val;    //被涂过的次数
};
Node a[MAXN*3+1];
void Init(int d,int l,int r) //初始化线段树
{
    if(l==r){   //递归出口
        a[d].L = l;
        a[d].R = r;
        a[d].val = 0;
        return ;
    }

    //初始化当前节点
    a[d].L = l;
    a[d].R = r;
    a[d].val = 0;

    //递归初始化孩子节点
    int mid = (l+r)/2;
    Init(d*2,l,mid);
    Init(d*2+1,mid+1,r);
}
void Update(int d,int l,int r)    //更新某一区间的值
{
    if(a[d].L==l && a[d].R==r){  //递归出口。找到区间
        a[d].val++;
        return ;
    }
    if(a[d].L==a[d].R)  //递归出口。没有找到
        return ;
    //没找到
    int mid = (a[d].L+a[d].R)/2;
    if(mid>=r){  //去左孩子找
        Update(d*2,l,r);
    }
    else if(mid<l){ //去右孩子找
        Update(d*2+1,l,r);
    }
    else {  //中点在要查询区间的中间,两边都要找
        Update(d*2,l,mid);
        Update(d*2+1,mid+1,r);
    }
}
int Query(int d,int l,int r)    //查询
{
    if(a[d].L==l && a[d].R==r)  //找到区间
        return a[d].val;
    if(a[d].L==a[d].R)
        return 0;

    int mid = (a[d].L+a[d].R)/2;
    if(mid>=r){  //去左孩子找
        return a[d].val + Query(d*2,l,r);
    }
    else if(mid<l){ //去右孩子找
        return a[d].val + Query(d*2+1,l,r);
    }
    else {  //中点在要查询区间的中间,两边都要找
        return a[d].val + Query(d*2,l,mid) + Query(d*2+1,mid+1,r);
    }
}
int main()
{
    int N,A,B,i,sum;
    while(scanf("%d",&N)!=EOF && N){
        Init(1,1,N);
        for(i=1;i<=N;i++){  //输入并更新线段树
            scanf("%d%d",&A,&B);
            Update(1,A,B);
        }
        for(i=1;i<=N;i++){  //输出每一个气球被涂过的次数
            sum = Query(1,i,i);
            printf("%d",sum);
            if(i!=N) printf(" ");
        }
        printf("\n");
    }
    return 0;
}

转自 点击打开链接

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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