【TSINGHUA OJ】隧道(TUNEL)问题

本文介绍了一种使用双端队列维护隧道车辆进出记录并支持查询当前最高车辆高度的方法,包括车辆进入、离开隧道及查询操作的实现。

描述

现有一条单向单车道隧道,每一辆车从隧道的一端驶入,另一端驶出,不允许超车

该隧道对车辆的高度有一定限制,在任意时刻,管理员希望知道此时隧道中最高车辆的高度是多少

现在请你维护这条隧道的车辆进出记录,并支持查询最高车辆的功能

输入

第一行仅含一个整数,即高度查询和车辆出入操作的总次数n

以下n行,依次这n次操作。各行的格式为以下几种之一:

1. E x		//有一辆高度为x的车进入隧道(x为整数)
2. D		//有一辆车离开隧道
3. M		//查询此时隧道中车辆的最大高度

输出

若D和M操作共计m次,则输出m行 对于每次D操作,输出离开隧道车辆的高度 对于每次M操作,输出所查询到的最大高度

输入样例

9
E 5
E 6
M
E 2
M
D
M
D
M

输出样例

6
6
5
6
6
2

限制

0 ≤ n ≤ 2,000,000

0 ≤ x ≤ 231 - 1

保证车辆的进出序列是合法的

提示

如何由多个栈来模拟一个队列?可参考第四章末尾的某习题。

如何实现一个能够高效获取最大值的栈?

如何实现一个可以高效获取最大值的队列?

可参考第04章XA节的讲义以及《习题解析》的[10-19]题、[10-20]题

 


【solution】

本题的关键在于如何以较小的时间复杂度维护一个可以查询当前区间最大值的队列。

需要用到双端队列,或者说 队堆(queap)。

 

不妨先考虑对于栈如何来维护一个 getMax() 接口:

 

 

通过以上分析,不难写出如下AC代码(S和P均用链表来维护):

复制代码
 1 #include <stdio.h>
 2 #include <stdlib.h>
 3 
 4 typedef struct Node
 5 {
 6     int data;
 7     struct Node *next, *pre;
 8 }node, *pnode;
 9 
10 typedef struct Count
11 {
12     int data, num;
13     struct Count *next, *pre;
14 }count, *pcount;
15 
16 int main(void)
17 {
18     pnode shead = (pnode)malloc(sizeof(node));
19     pnode tmp1, stail = shead;
20 
21     pcount phead = (pcount)malloc(sizeof(count));
22     pcount tmp2, ptail = phead;
23 
24     int n;
25 
26     scanf("%d", &n);
27 
28     for (int i = 0; i < n; ++i)
29     {
30         char ch;
31         int x, a;
32 
33         do
34         {
35             ch = getchar();
36         } while ((ch != 'E') && (ch != 'M') && (ch != 'D'));
37 
38         switch (ch)
39         {
40             case 'E':
41                 scanf("%d", &x);
42 
43                 // x into s
44                 tmp1 = (pnode)malloc(sizeof(node));
45                 tmp1->data = x;
46                 stail->next = tmp1; tmp1->pre = stail; stail = tmp1;
47 
48                 // prepare num for x into p
49                 a = 1;
50                 tmp2 = (pcount)malloc(sizeof(count));
51                 ptail->next = tmp2; tmp2->pre = ptail; ptail = tmp2;
52                 while ((ptail->pre != phead) && (ptail->pre->data <= x))
53                 {
54                     a += ptail->pre->num;
55 
56                     tmp2 = ptail->pre;
57                     tmp2->pre->next = ptail;
58                     ptail->pre = tmp2->pre;
59                     delete tmp2;
60                 }
61 
62                 // x into p
63                 ptail->data = x; ptail->num = a;
64 
65                 break;
66             case 'D':
67                 printf("%d\n", shead->next->data);
68                 shead = shead->next;
69                 delete shead->pre;
70 
71                 if (!(--(phead->next)->num))
72                 {
73                     phead = phead->next;
74                     delete phead->pre;
75                 }
76                 break;
77             case 'M':
78                 printf("%d\n", phead->next->data);
79                 break;
80         }
81     }
82 
83     return 0;
84 }
复制代码

 

* 图片解析 来自于 xuetangx 数据结构课程 丁俊晖 老师 的《习题解析》



[ by Maples7 ] 
[ Copyright @Maples7,转载请注明出处。 ]
标签:  算法与数据结构C列表队堆

内容概要:本文是一份针对2025年中国企业品牌传播环境撰写的《全网媒体发稿白皮书》,聚焦企业媒体发稿的策略制定、渠道选择与效果评估难题。通过分析当前企业面临的资源分散、内容同质、效果难量化等核心痛点,系统性地介绍了新闻媒体、央媒、地方官媒和自媒体四大渠道的特点与适用场景,并深度融合“传声港”AI驱动的新媒体平台能力,提出“策略+工具+落地”的一体化解决方案。白皮书详细阐述了传声港在资源整合、AI智能匹配、舆情监测、合规审核及全链路效果追踪方面的技术优势,构建了涵盖曝光、互动、转化与品牌影响力的多维评估体系,并通过快消、科技、零售等行业的实战案例验证其有效性。最后,提出了按企业发展阶段和营销节点定制的媒体组合策略,强调本土化传播与政府关系协同的重要性,助力企业实现品牌声量与实际转化的双重增长。; 适合人群:企业市场部负责人、品牌方管理者、公关传播从业者及从事数字营销的相关人员,尤其适用于初创期至成熟期不同发展阶段的企业决策者。; 使用场景及目标:①帮助企业科学制定媒体发稿策略,优化预算分配;②解决渠道对接繁琐、投放不精准、效果不可衡量等问题;③指导企业在重大营销节点(如春节、双11)开展高效传播;④提升品牌权威性、区域渗透力与危机应对能力; 阅读建议:建议结合自身企业所处阶段和发展目标,参考文中提供的“传声港服务组合”与“预算分配建议”进行策略匹配,同时重视AI工具在投放、监测与优化中的实际应用,定期复盘数据以实现持续迭代。
先展示下效果 https://pan.quark.cn/s/987bb7a43dd9 VeighNa - By Traders, For Traders, AI-Powered. Want to read this in english ? Go here VeighNa是一套基于Python的开源量化交易系统开发框架,在开源社区持续不断的贡献下一步步成长为多功能量化交易平台,自发布以来已经积累了众多来自金融机构或相关领域的用户,包括私募基金、证券公司、期货公司等。 在使用VeighNa进行二次开发(策略、模块等)的过程中有任何疑问,请查看VeighNa项目文档,如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助,也欢迎在【经验分享】板块分享你的使用心得! 想要获取更多关于VeighNa的资讯信息? 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】: AI-Powered VeighNa发布十周年之际正式推出4.0版本,重磅新增面向AI量化策略的vnpy.alpha模块,为专业量化交易员提供一站式多因子机器学习(ML)策略开发、投研和实盘交易解决方案: :bar_chart: dataset:因子特征工程 * 专为ML算法训练优化设计,支持高效批量特征计算与处理 * 内置丰富的因子特征表达式计算引擎,实现快速一键生成训练数据 * Alpha 158:源于微软Qlib项目的股票市场特征集合,涵盖K线形态、价格趋势、时序波动等多维度量化因子 :bulb: model:预测模型训练 * 提供标准化的ML模型开发模板,大幅简化模型构建与训练流程 * 统一API接口设计,支持无缝切换不同算法进行性能对比测试 * 集成多种主流机器学习算法: * Lass...
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