HDU1698 Just a Hook

本文介绍了一道经典的线段树题目,通过实例演示了如何将区间加操作转化为区间修改问题,并提供了完整的C++代码实现。文章重点讲解了懒惰传播(lazy propagation)的使用方法,确保了在线段树中进行区间更新时效率的最大化。

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

线段树裸题,区间加改为区间修改。多组询问一定要初始化(主要为了清lazy)。

#include<iostream>
#include<stdio.h>
#include<string.h>
#define ls (id*2)
#define rs (id*2+1)
using namespace std;
struct node{
int val;
int lazy;
}t[800005];
int n,m;
int ans;
void push_up(int id)
{
  t[id].val=t[ls].val+t[rs].val;
}
void push_down(int id,int l,int mid,int r)
{//此处是跟平常线段树的不同点,“+=”变为“=”,加了一条lazy=0的特判。
if (t[id].lazy==0)return;
t[ls].lazy=t[id].lazy;
t[rs].lazy=t[id].lazy;
t[ls].val=(mid-l+1)*t[id].lazy;
t[rs].val=(r-mid)*t[id].lazy;
t[id].lazy=0;
}
void build(int id,int l,int r)
{
if(l>=r)
{
t[id].lazy=0;t[id].val=1;
return;
}
int mid=(l+r)/2;
build(ls,l,mid);
build(rs,mid+1,r);
push_up(id);
}
void query(int id,int l,int r,int L,int R)
{
if (R<L) return;
if(r<L||l>R) return;
if (R>=r && L<=l)
{
ans+=t[id].val;
return;
}
int mid=(l+r)/2;
push_down(id,l,mid,r);
  query(ls,l,mid,L,R);
query(rs,mid+1,r,L,R);
return;
}
void insert(int id,int l,int r,int L,int R,int V)
{
if(r<L||l>R) return;
if(r<=R && l>=L)
{
t[id].val=V*(r-l+1);
t[id].lazy=V;
return;
}
int mid=(l+r)/2;
push_down(id,l,mid,r);
insert(ls,l,mid,L,R,V);
insert(rs,mid+1,r,L,R,V);
push_up(id);  
return;
}
int main()
{
int f;
cin>>f;
for (int j=1;j<=f;j++)
{
memset(t,0,sizeof(t));//不要忘记!
cin>>n;
build(1,1,n);
cin>>m;
for (int i=1;i<=m;i++)
{
int a,b,c;
scanf("%d%d%d",&a,&b,&c);//输入量很大,一定要scanf,cin会超时。
insert(1,1,n,a,b,c);
}
ans=0;
query(1,1,n,1,n);
cout<<"Case "<<j<<": The total value of the hook is "<<ans<<"."<<endl;//输出格式也是坑!!!
}
}

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