[AHOI2013]作业 莫队 树状数组

本文深入探讨了一种基于块划分和树状数组的区间查询优化算法,通过预处理和动态更新,实现了对大规模数据集上复杂查询的高效处理。文章详细介绍了算法的设计思路、实现细节及代码示例。

Code:

#include<cmath>
#include<cstdio>
#include<algorithm>
#include<string>
#include<cstring>
#include<iostream>
#define REP(i,a,n)for(int i=a;i<=n;++i)
#define CLR(d,a)memset(d,a,sizeof(d));

using namespace std;

void SetIO(string a){
	string in=a+".in", out=a+".out";
	freopen(in.c_str(),"r",stdin);
	freopen(out.c_str(),"w",stdout);
}

void End(){
	fclose(stdin);
	fclose(stdout);
}

const int maxn=300000+4;

int val[maxn];

int n,m;

struct Queries{
	int l,r,a,b;
	Queries(int l=0,int r=0,int a=0,int b=0):l(l),r(r),a(a),b(b){}
}ask[maxn];

void Read(){
	scanf("%d%d",&n,&m);
	REP(i,1,n)scanf("%d",&val[i]);
	REP(i,1,m){
		int a,b,c,d;
		scanf("%d%d%d%d",&a,&b,&c,&d);
		ask[i]=Queries(a,b,c,d);
	}
}

int block, belong[maxn], A[maxn];

int get_belong(int i){ return (i-1)/block+1; }

bool cmp(int i,int j){
	if(belong[ask[i].l]==belong[ask[j].l]) return ask[i].r<ask[j].r;
	return belong[ask[i].l]<belong[ask[j].l];
}

void Build(){
	block=sqrt(n);
	REP(i,1,n) belong[i]=get_belong(i);
	REP(i,1,m) A[i]=i;
	sort(A+1,A+1+m,cmp);
}

int count1[maxn];

struct BIT{
	int C[2][maxn];

	int lowbit(int t){return t&(-t);}

	void update(int pos,int o,int delta){
		while(pos<=n){
			C[o][pos]+=delta;
			pos+=lowbit(pos);
		}
	}

	int query(int pos,int o){
		int sum=0;
		while(pos>0){
			sum+=C[o][pos];
			pos-=lowbit(pos);
		}
		return sum;
	}
	void Modify(int i,int delta){
		if(i==0) return ;
		update(i,0,delta);
		count1[i]+=delta;
		if(delta<0 && count1[i]==0) update(i,1,delta);
		if(delta>0 && count1[i]==1) update(i,1,delta); 
	}

}Tree;

int ans1[maxn], ans2[maxn];

void Work(){
    int l=1,r=1;
    Tree.Modify(val[1],1);
    REP(i,1,m){
    	int cur=A[i];
    	int l2=ask[cur].l;
    	int r2=ask[cur].r;

  
    	if(r<r2) { 
    		++r; 
    		while(r<=r2){ Tree.Modify(val[r],1), ++r; }
    		--r; 
    	} 
    	else 
    		while(r>r2) { Tree.Modify(val[r],-1), --r; }

    	if(l<l2) { 
    		while(l<l2){ Tree.Modify(val[l],-1);  ++l;  }
    	}
    	else {
    		--l;
    		while(l>=l2) { Tree.Modify(val[l],1), --l; }
    		++l;
    	}


    	ans1[cur]=Tree.query(ask[cur].b,0)-Tree.query(ask[cur].a-1,0);
    	ans2[cur]=Tree.query(ask[cur].b,1)-Tree.query(ask[cur].a-1,1);
    }
}

void Print(){
	REP(i,1,m)
		printf("%d %d\n",ans1[i],ans2[i]);
}

int main(){
	SetIO("input");
	Read();
	Build();
	Work();
	Print();
	End();
	return 0;
}
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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