大学里的树木要打药(差分法)

本文介绍了如何运用差分法优化区间加减操作,降低复杂度,解决大学树木打药问题中区间药物费用的计算,通过构造差分数组实现高效求和。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

差分法

在做题之前,先来学习一下差分法

差分法的应用主要是用于处理区间问题。当某一个数组要在很多不确定的区间,加上相同的一个数。我们如果每个都进行加法操作的话,那么复杂度 O(nm)是平方阶的,非常消耗时间。

如果我们采用差分法,将数组拆分,构造出一个新的拆分数组,通过对数组区间的端点进行加减操作,最后将数组和并就能完成原来的操作。

差分法特点

  1. 将对于区间的加减操作转化为对于端点的操作
  2. 时间复杂度为O(n)
  3. 用于维护区间的增减但不能维护乘除
  4. 差分后的序列比原来的数组序列多一个数

一般解题思路

  1. 设定 b[1] = a[1]
  2. 对于第2项到第n项,利用差分式 b[i] = a[i] + a[i-1]
  3. 对于区间端点进行加减操作
  4. 进行差分还原

模版

//读入原始数据 n,m,a
输入n,m
for(int i=1;i<=n;i++){
    输入a[i]
}
//差分
for(int i=1;i<=n;i++)
    b[i]=a[i]-a[i-1]
//区间操作
while(m--)
{
    输入l,r,value
    b[l]+value
    b[r+1]-value
}
//前缀和还原
for(int i=1;i<n;i++)
    b[i]=b[i]+b[i-1]

大学里的树木要打药

题目描述:

教室外有 N 棵树,根据不同的位置和树种,学校要对其上不同的药。
因为树的排列成线性,且非常长,我们可以将它们看作一条直线给他们编号。
树的编号从0~N-1日 N < 1e6。
对于树的药是成区间分布,比如3-5号的树靠近下水道,所以他们要用驱蚊虫的药,20-26 号的树,他们排水不好,容易涝所以要给他们用点促进根系的药。
诸如此类,每种不同的药要花不同的钱。
现在已知共有 M 个这样的区间,并且给你每个区间花的钱,请问最后,这些树木花了多少药费。

输入

输入描述:

每组输入的第一行有两个整数N(1<= N<= 1000000)和 M(1 <= M <= 100000)N 代表马路的共计多少棵树,M代表区间的数目,N 和 M 之间用一个空格隔开。接下来的 M 行每行包含三个不同的整数,用一个空格隔开,表示一个区域的起始点工 和终止点 R的坐标,以及花费。
输入样例:

500 3
150 300 4
100 200 20
470 471 19

输出描述:

输出包括一行,这一行只包含一个整数,所有的花费。

输出样例:

2662

样例:

输入样例:

3000 8
150 1130 2
1020 1200 3
470 2071 1
1123  211 6
12 222 2
13 23 2
1  213 4
1232  2523 6

输出样例:

2662

解答

import java.util.Scanner;

public class Main {
    static int[] b = new int[100005];
    public static void main(String[] args) {
        Scanner scanner = new Scanner(System.in);
        int n = scanner.nextInt();
        int m = scanner.nextInt();
        while (m>0){
            m--;
            int l,r,value; // 区间的两边值,花费金额
            l = scanner.nextInt();
            r = scanner.nextInt();
            value = scanner.nextInt();
            b[l+1] += value;
            b[r+1+1] += value;
        }
        //还原
        for (int i=1;i<=n;i++){
            b[i] = b[i] + b[i-1];
        }
        int sum = 0;
        for (int i=1;i<=n;i++){
            sum += b[i];
        }
        System.out.println(sum);
    }
}
### 解决 PP-OCRv4 出现的错误 当遇到 `WARNING: The pretrained params backbone.blocks2.0.dw_conv.lab.scale not in model` 这样的警告时,这通常意味着预训练模型中的某些参数未能匹配到当前配置下的模型结构中[^2]。 对于此问题的一个有效解决方案是采用特定配置文件来适配预训练权重。具体操作方法如下: 通过指定配置文件 `ch_PP-OCRv4_det_student.yml` 并利用已有的最佳精度预训练模型 (`best_accuracy`) 来启动训练过程可以绕过上述不兼容的问题。执行命令如下所示: ```bash python3 tools/train.py -c configs/det/ch_PP-OCRv4/ch_PP-OCRv4_det_student.yml ``` 该方案不仅解决了参数缺失带来的警告,还能够继续基于高质量的预训练成果进行微调,从而提升最终检测效果。 关于蒸馏的概念,在机器学习领域内指的是将大型复杂网络(teacher 模型)的知识迁移到小型简单网络(student 模型)。这里 student 和 teacher 的关系是指两个不同规模或架构的神经网络之间的指导与被指导的关系;其中 teacher 已经经过充分训练并具有良好的性能,而 student 则试图模仿前者的行为模式以达到相似的效果但保持更高效的计算特性。 至于提到的 `Traceback` 错误信息部分,由于未提供具体的跟踪堆栈详情,难以给出针对性建议。不过一般而言,这报错往往涉及代码逻辑错误或是环境配置不当等问题。为了更好地帮助定位和解决问题,推荐记录完整的异常日志,并仔细检查最近修改过的代码片段以及确认依赖库版本的一致性。
评论 1
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