HDU - 5592(权值线段树+找第k大元素+逆序数)

本文详细解析了HDU5592题目,采用逆向思维从后向前求解,通过线段树进行优化处理。介绍了如何使用线段树更新和查询区间数值,实现高效求解。适用于熟悉C++和数据结构的读者。

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

hdu5592
代码:
//从后向前求,a[i]-a[i-1]+1表示当前剩余数中该数位于第几大

#include<iostream>
#include<cstdio>
#include<cstdlib>
#include<string>
#include<algorithm>
#include<cmath>
#include<queue>
#include<cstring>
#include<vector>
#include<stack>
using namespace std;
const int maxn=50005;
struct node{
     int l,r;
     int num;//num是每个区间当前待求结果的个数
     int val;//表示所要找的的值的大小
}tree[maxn<<4];
int a[maxn],ans[maxn];
int n;
void build(int m,int l,int r)
{
    tree[m].l=l;
    tree[m].r=r;
    tree[m].num=r-l+1;
    if(l==r){
        tree[m].val=l;
        return ;
    }
    int mid=(l+r)>>1;
    build(m<<1,l,mid);
    build(m<<1|1,mid+1,r);
}
int query(int m,int k)
{
    if(tree[m].l==tree[m].r){
        return tree[m].val;
    }
    if(tree[m<<1].num>=k)
        return query(m<<1,k);
    else
        return query(m<<1|1,k-tree[m<<1].num);
}
void update(int m,int x)//及时更改线段树里的num值,因为一些值已经求出来了,要剔除这些没用的值
{
    tree[m].num--;
    if(tree[m].l==tree[m].r){
        return ;
    }
    if(tree[m<<1].r>=x)
        update(m<<1,x);
    else
        update(m<<1|1,x);
    return ;
}
int main()
{
    int t;
    scanf("%d",&t);
    while(t--){
        scanf("%d",&n);
        memset(a,0,sizeof(a));
        memset(ans,0,sizeof(ans));
        for(int i=1;i<=n;i++){
            scanf("%d",&a[i]);
        }
        build(1,1,n);
        for(int i=n;i>=1;i--){
            ans[i]=query(1,i-(a[i]-a[i-1]));//求得时候要转化一下,query是从小到大查询,参数应该写该数的大小位次号
            update(1,ans[i]);
        }
        for(int i=1;i<=n;i++){
            if(i<n){
                printf("%d ",ans[i]);
            }
            else{
                printf("%d\n",ans[i]);
            }
        }
    }
    return 0;
}
资源下载链接为: https://pan.quark.cn/s/140386800631 通用模型文本分类实践的基本原理是,借助模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响模型推理效果,因此可先通过向量检索缩小范围,再由模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入模型。 代码实现上,模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用模型api打造工具;缺点是上限不高,仅针对一个分类任务部署模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
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