H-Sort the Strings Revision 2020牛客暑期多校训练营(第三场)

https://ac.nowcoder.com/acm/contest/5668/H

p[i]%10==d[i],那么经过这次操作是不变的

那么把s0-sn为中会变的拿出来,按顺序建笛卡尔树,下标为k+1,val为p[k],因为越前面对字典序影响越大,而且p是0-n-1的排列,所以笛卡尔树不会有问题

然后dfs笛卡尔树,每个节点将一段区间分为了两部分,根据变化后数字变大还是变小了,去考虑先dfs右子区间还是先dfs左子区间,ans[i]的编号也就是优先dfs到的顺序的编号

#include<bits/stdc++.h>
using namespace std;

const int maxl=2e6+10;
const int mod=1e9+7;

int n,tot,cnt,rt;
int p[maxl],d[maxl],ans[maxl],mi;
struct node
{
	int k,val,fa,ls,rs,l,r;
}tr[maxl];

inline int build()
{
	int k;
	for(int i=1;i<=tot;i++)
	{
		k=i-1;
		while(tr[k].val>tr[i].val)
			k=tr[k].fa;
		tr[i].fa=k;
		tr[tr[k].rs].fa=i;
		tr[i].ls=tr[k].rs;
		tr[k].rs=i;
	}
	return tr[0].rs;
}

inline void prework()
{
	scanf("%d",&n);
	int seed,a,b,mod;
	scanf("%d%d%d%d",&seed,&a,&b,&mod);
	for(int i=0;i<=n-1;i++)
		p[i]=i;
	for(int i=1;i<=n-1;i++)
	{
		swap(p[seed%(i+1)],p[i]);
		seed=(1ll*seed*a+b)%mod;
	}
	scanf("%d%d%d%d",&seed,&a,&b,&mod);
	for(int i=0;i<=n-1;i++)
	{
		d[i]=seed%10;
		seed=(1ll*seed*a+b)%mod;
	}
	tot=0;
	tr[0]=node{0,-1,0,0,0,0,n};
	for(int i=0;i<=n-1;i++)
	if(d[i]!=p[i]%10)
		tr[++tot]=node{i+1,p[i],0,0,0,0,0};
	rt=build();
	tr[rt].l=0;tr[rt].r=n;
}

inline void dfs(int u)
{
	int ls=tr[u].ls,rs=tr[u].rs;
	if(ls && rs)
	{
		tr[ls].l=tr[u].l;tr[ls].r=tr[u].k-1;
		tr[rs].l=tr[u].k;tr[rs].r=tr[u].r;
		if(tr[u].val%10<d[tr[u].k-1])
		{
			dfs(ls);
			dfs(rs);
		}
		else
		{
			dfs(rs);
			dfs(ls);
		}
	}
	else if(ls)
	{
		tr[ls].l=tr[u].l;tr[ls].r=tr[u].k-1;
		if(tr[u].val%10<d[tr[u].k-1])
		{	
			dfs(ls);
			for(int i=tr[u].k;i<=tr[u].r;i++)
				ans[i]=cnt++;
		}
		else
		{
			for(int i=tr[u].k;i<=tr[u].r;i++)
				ans[i]=cnt++;
			dfs(ls);
		}
	}
	else if(rs)
	{
		tr[rs].l=tr[u].k;tr[rs].r=tr[u].r;
		if(tr[u].val%10<d[tr[u].k-1])
		{
			for(int i=tr[u].l;i<tr[u].k;i++)
				ans[i]=cnt++;	
			dfs(rs);	
		}
		else
		{
			dfs(rs);
			for(int i=tr[u].l;i<tr[u].k;i++)
				ans[i]=cnt++;			
		}
	}
	else
	{
		if(tr[u].val%10<d[tr[u].k-1])
		{
			for(int i=tr[u].l;i<=tr[u].r;i++)
				ans[i]=cnt++;
		}
		else
		{
			for(int i=tr[u].k;i<=tr[u].r;i++)
				ans[i]=cnt++;
			for(int i=tr[u].l;i<tr[u].k;i++)
				ans[i]=cnt++;
		}
	}
}

inline void mainwork()
{
	cnt=0;
	dfs(rt);
}

inline void print()
{
	long long sum=0,t=1;
	for(int i=0;i<=n;i++)
	{
		sum=(sum+ans[i]*t%mod)%mod;
		t=t*10000019%mod;
	}
	printf("%lld\n",sum);
}

int main()
{
	int t;
	scanf("%d",&t);
	for(int i=1;i<=t;i++)
	{
		prework();
		mainwork();
		print();
	}
	return 0;
}

 

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种分支神经网络,用于分别处理光谱特征与气象特征等模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 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!
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