【BZOJ3343】【洛谷P2801】—教主的魔法(分块)

本文详细解析了一种基于分块的优化算法,适用于查询大于等于特定数值的问题。通过将数据分成多个块并分别进行排序,结合标记更新和暴力重构策略,实现高效的数据查询和修改。算法复杂度为O(nlogn​+qn​logn​),适用于中等规模数据集,如题目限制条件q<=3000。

BZOJ传送门(权限题)

洛谷传送门

分块水题

考虑到要查询大于等于 c c c的数

我们把每个块单独 s o r t sort sort一下

每次修改整块打一个标记

散块暴力修改后重构

复杂度 O ( n l o g n + q n l o g n ) O(nlog\sqrt n+q\sqrt nlog\sqrt n) O(nlogn +qn logn )

因为 q &lt; = 3000 q&lt;=3000 q<=3000所以能过

#include<bits/stdc++.h>
using namespace std;
inline int read(){
	char ch=getchar();
	int res=0,f=1;
	while(!isdigit(ch)){if(ch=='-')f=-f;ch=getchar();}
	while(isdigit(ch))res=(res<<3)+(res<<1)+(ch^48),ch=getchar();
	return res*f;
}
const int N=1000005;
const int M=1005;
int tag[M],a[N],b[N],plc[N],L[M],R[M],blo,cnt,n,m,q;
char ch[5];
inline void reset(int p){
	for(int i=L[p];i<=R[p];i++)a[i]=b[i];
	sort(a+L[p],a+R[p]+1);
}
inline void modify(int l,int r,int c){
	if(plc[r]-plc[l]>1){
		for(int i=plc[l]+1;i<=plc[r]-1;i++)tag[i]+=c;
	}
	if(plc[l]==plc[r]){
		for(int i=l;i<=r;i++)b[i]+=c;
		reset(plc[l]);return;
	}
	for(int i=l;i<=R[plc[l]];i++)b[i]+=c;
	reset(plc[l]);
	for(int i=L[plc[r]];i<=r;i++)b[i]+=c;
	reset(plc[r]);
}
inline int find(int l,int r,int c){
	return lower_bound(a+l,a+r+1,c)-a;
}
inline int query(int l,int r,int c){
	int res=0;
	if(plc[r]-plc[l]<=1){
		for(int i=l;i<=r;i++)if(b[i]+tag[plc[i]]>=c)++res;
		return res;
	}
	for(int i=plc[l]+1;i<=plc[r]-1;i++){
		res+=(R[i]-find(L[i],R[i],c-tag[i])+1);
	}
	for(int i=l;i<=R[plc[l]];i++)if(b[i]+tag[plc[i]]>=c)++res;
	for(int i=L[plc[r]];i<=r;i++)if(b[i]+tag[plc[i]]>=c)++res;
	return res;
}
int main(){
	n=read(),q=read();
	blo=sqrt(n),cnt=(n-1)/blo+1;
	for(int i=1;i<=n;i++)plc[i]=(i-1)/blo+1;
	for(int i=1;i<=cnt;i++)L[i]=(i-1)*blo+1,R[i]=min(i*blo,n);
	for(int i=1;i<=n;i++)b[i]=read();
	for(int i=1;i<=cnt;i++)reset(i);
	for(int i=1;i<=q;i++){
		scanf("%s",ch);
		int l=read(),r=read(),c=read();
		if(ch[0]=='M'){
			modify(l,r,c);
		}
		else cout<<query(l,r,c)<<'\n';
	}
}
内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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