hdu1754 I Hate It

本文详细介绍了一道经典的线段树题目,并提供了完整的代码实现。文章通过实例解释了线段树的基本概念、构建过程及如何进行查询和更新操作。

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

http://acm.hdu.edu.cn/showproblem.php?pid=1754

这是我做过的第一道线段树题目。。。。。

说实话,有点难快哭了

代码:

#include<iostream>  
#include<cstdio>  
#include<cstring>  
#include<algorithm>  
using namespace std;  
const int Maxn = 200002;  
  
typedef struct //结构体用来建立数线段树,保存左右叶子以及区间的最大值  
{  
    int Max;  
    int left, right;  
} NODE;  
  
int n, m;  
int num[Maxn];  
NODE tree[Maxn*20];  
  
int build(int root, int left, int right)//建立线段树  
{  
    int mid;  
    tree[root].left = left;//当前节点表示的区间  
    tree[root].right = right;  
    if(left == right)//若左右区间相同,那么此时的最大值就是root所对应的num[root]的值  
        return tree[root].Max = num[left];  
    mid = (left+right)/2;//去中间点  
    int a, b;  
    a = build(root*2,left,mid);//当前左子树在细分  
    b = build(root*2+1,mid+1,right);//当前右子树在细分  
    return tree[root].Max = max(a,b);//返回当前子树的最大值并储存在tree[root].Max中  
}  
  
int find_(int root, int left, int right)//查找从letf到right之间的最大值  
{  
    if(left>tree[root].right || tree[root].left>right)//若所给的区间不在该子树的区间内,返回0  
        return 0;  
    if(left<=tree[root].left && tree[root].right<=right)//若所给的区间包含了该子树的区间,返回该子树的最大值  
        return tree[root].Max;  
    int a, b;  
    a = find_(root*2,left,right);//当前左子树细分查找  
    b = find_(root*2+1,left,right);//当前右子树细分查找  
    return max(a,b);//返回当前子树的最大值  
}  
  
int updata(int root, int x, int y)//更新某点的值  
{  
    if(x<tree[root].left || tree[root].right<x)//若该点不在当前子树的区间内,就返回当前子树的最大值  
        return tree[root].Max;  
    if(tree[root].left==x && tree[root].right==x)//当该点恰好和当前子树区间相同时,当前子树的最大值就更新为给定的数y  
        return tree[root].Max = y;//并返回最大值  
    int a, b;  
    a = updata(root*2,x,y);  
    b = updata(root*2+1,x,y);  
    return tree[root].Max = max(a,b);//返回当前子树的最大值  
}  
  
int main()  
{  
    char c;  
    int x, y;  
    while(cin >> n >> m)  
    {  
        for(int i = 1; i <= n; i++)  
            cin >> num[i];  
        build(1,1,n);//建立线段树  
        while(m--)  
        {  
            cin >> c >> x >> y;  
            if(c == 'Q')  
            {  
                cout << find_(1,x,y) << endl;  
            }  
            if(c == 'U')  
            {  
                num[x] = y;  
                updata(1,x,y);  
            }  
        }  
    }  
    return 0;  
}  


内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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