2016寒假训练——线段树

本文介绍了一种利用线段树高效解决区间极差问题的方法,通过建树、查找最大值和最小值,实现对大量数据的快速处理。

来源:POJ3264

一排牛给高度,给区间求极差。。。看题目那么多废话。。。笑cry。。。

还是由于数量太大,所以必须用线段树。

这里的find要来两个照最大和最小,其他的还是比较好理解的。。。

AC代码(VJ提交):

#include <iostream>
#include <cstdio>
#include <algorithm>
#include <cstring>
using namespace std;
struct Node{
    int l,r;
    int maxn,minn;
};
Node tree[200000];
int h[50010];
int minn,maxn;
void build(int l,int r ,int root){//建树,话说这已经差不多变成范式了。。。可怕。。。
    tree[root].l=l;
    tree[root].r=r;
    if(l==r){
        tree[root].maxn=h[l];
        tree[root].minn=h[l];
        return ;
    }
    int mid=(l+r)>>1;
    build(l,mid,root*2);
    build(mid+1,r,root*2+1);
    tree[root].maxn=max(tree[2*root].maxn,tree[2*root+1].maxn);
    tree[root].minn=min(tree[2*root].minn,tree[2*root+1].minn);
}
void findmax(int l,int r,int root){//这里无疑是全局maxn的功劳
    if(tree[root].l==l&&tree[root].r==r){
        if(tree[root].maxn>maxn)
            maxn=tree[root].maxn;
        return ;
    }
    int mid=(tree[root].l+tree[root].r)/2;
    if(mid>=r)
        findmax(l,r,root*2);
    else if(mid<l)
        findmax(l,r,root*2+1);
    else {
        findmax(l,mid,root*2);
        findmax(mid+1,r,root*2+1);
    }
}
void findmin(int l,int r,int root){
    if(tree[root].l==l&&tree[root].r==r){
        if(tree[root].minn<minn)
            minn=tree[root].minn;
        return ;
    }
    int mid=(tree[root].l+tree[root].r)/2;
    if(mid>=r)
        findmin(l,r,root*2);
    else if(mid<l){
        findmin(l,r,root*2+1);
    }
    else {
        findmin(l,mid,root*2);
        findmin(mid+1,r,root*2+1);
    }
}
int main(){
	int n,m;
	int i;
	scanf("%d%d",&n,&m);
    memset(h,0,sizeof(h));
    for(i=1;i<=n;i++)
        scanf("%d",&h[i]);
    build(1,n,1);
    while(m--){
        int a,b;
        maxn=0;
        minn=99999999;
        scanf("%d%d",&a,&b);
        findmax(a,b,1);
        findmin(a,b,1);
        printf("%d\n",maxn-minn);
    }
	return 0;
}


一种基于有效视角点方法的相机位姿估计MATLAB实现方案 该算法通过建立三维空间点与二维图像点之间的几何对应关系,实现相机外部参数的精确求解。其核心原理在于将三维控制点表示为四个虚拟基点的加权组合,从而将非线性优化问题转化为线性方程组的求解过程。 具体实现步骤包含以下关键环节:首先对输入的三维世界坐标点进行归一化预处理,以提升数值计算的稳定性。随后构建包含四个虚拟基点的参考坐标系,并通过奇异值分解确定各三维点在该基坐标系下的齐次坐标表示。接下来建立二维图像点与三维基坐标之间的投影方程,形成线性约束系统。通过求解该线性系统获得虚拟基点在相机坐标系下的初步坐标估计。 在获得基础解后,需执行高斯-牛顿迭代优化以进一步提高估计精度。该过程通过最小化重投影误差来优化相机旋转矩阵和平移向量。最终输出包含完整的相机外参矩阵,其中旋转部分采用正交化处理确保满足旋转矩阵的约束条件。 该实现方案特别注重数值稳定性处理,包括适当的坐标缩放、矩阵条件数检测以及迭代收敛判断机制。算法能够有效处理噪声干扰下的位姿估计问题,为计算机视觉中的三维重建、目标跟踪等应用提供可靠的技术基础。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
对于2025年的牛客寒假训练营的具体信息,包括介绍、报名时间、地点以及课程安排等细节,在当前提供的资料中没有直接提及。通常情况下,这类活动会提前几个月公布相关信息。 为了获取最准确的信息,建议访问牛客网官方网页或者关注牛客网的社交媒体账号以获得最新的公告和更新。此外,往届的牛客寒假训练营一般会在网上留下一些痕迹,比如参与者的反馈、课程大纲或是相关的技术文章,这些都可以提供一定的参考价值。 由于具体详情尚未公开,以下是一些可能的情况供参考: - **介绍**:牛客寒假训练营通常是面向有兴趣提高编程技能的学生和技术爱好者设计的一系列培训课程。参与者可以通过解决实际问题来学习算法技巧和其他计算机科学主题。 - **报名时间**:一般来说,报名可能会开放在前一年的秋季至冬季之间,例如10月至12月期间。具体的日期需要等待官方通知。 - **地点**:考虑到近年来远程工作的普及,训练营有可能采取线上形式举办;也可能是线上线下相结合的方式,线下部分则会选择在中国的主要城市举行。 - **课程安排**:以往的经验表明,课程内容涵盖从基础知识到高级话题的不同层次,并且会有实战练习环节帮助学员巩固所学的知识点。每天的日程表上除了授课之外还设有答疑时间和自由讨论时段。 请注意以上只是基于历史模式推测而来,确切的消息应该参照官方网站发布的最新资讯为准。
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