借教室 2012年NOIP全国联赛提高组

本文介绍了一种使用线段树数据结构解决大规模教室租赁请求的方法。通过维护每个时间段内可用教室的数量,并针对每个租赁请求进行更新,确保了资源的有效分配。当遇到无法满足的租赁需求时,能够及时通知并定位到具体的请求者。

题目描述 Description

在大学期间,经常需要租借教室。大到院系举办活动,小到学习小组自习讨论,都需要

向学校申请借教室。教室的大小功能不同,借教室人的身份不同,借教室的手续也不一样。

面对海量租借教室的信息,我们自然希望编程解决这个问题。

我们需要处理接下来n天的借教室信息,其中第i天学校有ri个教室可供租借。共有m

订单,每份订单用三个正整数描述,分别为dj, sj, tj,表示某租借者需要从第sj天到第tj天租

借教室(包括第sj天和第tj天),每天需要租借dj个教室。

我们假定,租借者对教室的大小、地点没有要求。即对于每份订单,我们只需要每天提

dj个教室,而它们具体是哪些教室,每天是否是相同的教室则不用考虑。

借教室的原则是先到先得,也就是说我们要按照订单的先后顺序依次为每份订单分配教

室。如果在分配的过程中遇到一份订单无法完全满足,则需要停止教室的分配,通知当前申

请人修改订单。这里的无法满足指从第sj天到第tj天中有至少一天剩余的教室数量不足dj个。

现在我们需要知道,是否会有订单无法完全满足。如果有,需要通知哪一个申请人修改

订单。

输入描述 Input Description

第一行包含两个正整数n, m,表示天数和订单的数量。

提高组  day2 

 

第二行包含n个正整数,其中第i个数为ri,表示第i天可用于租借的教室数量。

接下来有m行,每行包含三个正整数dj, sj, tj,表示租借的数量,租借开始、结束分别在

第几天。

每行相邻的两个数之间均用一个空格隔开。天数与订单均用从1开始的整数编号。

输出描述 Output Description

如果所有订单均可满足,则输出只有一行,包含一个整数 0。否则(订单无法完全满足)

输出两行,第一行输出一个负整数-1,第二行输出需要修改订单的申请人编号。

样例输入 Sample Input

4 3 

2 5 4 3 

2 1 3 

3 2 4 

4 2 4 

样例输出 Sample Output

-1 

数据范围及提示 Data Size & Hint

【输入输出样例说明】

classroom.out 

-1 

 

第 份订单满足后,天剩余的教室数分别为 0323。第 份订单要求第 天到

第 天每天提供 个教室,而第 天剩余的教室数为 2,因此无法满足。分配停止,通知第

个申请人修改订单。

【数据范围】

对于 10%的数据,有1 ≤  n, m ≤  10

对于 30%的数据,有1 ≤  n, m ≤ 1000

对于 70%的数据,有1 ≤  n, m ≤   105

对于 100%的数据,有1 ≤ n, m ≤ 10^6, 0 ≤ ri, dj≤ 10^9, 1 ≤ sj≤ tj≤ n

题解:

首先可以看出来这是一道线段树的应用。

对于数据大小,可以看出,要用lazy;

本题就是整体减一个值,看看数组里有没有值被减成了负数,这个可以用线段树维护最小值即可,看数组中的最小值是否为负数。

#include <iostream>  
#include <cstdio>  
#include <cstdlib>  
#include <cstring>  
  
using namespace std;  
const int maxn = 1000000+10;  
  
int a[maxn];  
int n,m,s,t,need;  
struct node  
{  
       int Min[maxn*4];  
       int dec[maxn*4];  
       void   build(int a[],int l,int r,int p)  
       {  
              dec[p]=0;  
              if (l==r)  
              {  
                  Min[p] = a[l];  
                  return ;  
              }  
              int mid = (l+r) / 2;  
              build(a,l,mid,p+p);   
              build(a,mid+1,r,p+p+1);  
              Min[p] = min(Min[p+p],Min[p+p+1]);    
       }  
       void   update(int p )  
       {  
              Min[p] = min(Min[p+p]-dec[p+p],Min[p]);  
              Min[p] = min(Min[p+p+1]-dec[p+p+1],Min[p]);  
       }  
       void   push(int p)  
       {  
              dec[p+p]+=dec[p];  
              dec[p+p+1]+=dec[p];  
              dec[p]=0;  
       }  
       void   getDec(int l ,int r,int p, int a,int b,int need)  
       {  
              if (l==a && r==b)  
              {  
                  Min[p]-= (need+dec[p]);  
                  if (l!=r) dec[p+p]+=dec[p]+need,dec[p+p+1]+=dec[p]+need;  
                  dec[p]=0;  
                  return ;  
              }  
              push(p);  
              int mid = (l+r) / 2;  
              if (b <= mid ) getDec(l,mid,p+p,a,b,need); else  
              if (a >  mid ) getDec(mid+1,r,p+p+1,a,b,need); else  
              {  
                 getDec(l, mid ,p+p,a,mid,need);  
                 getDec(mid+1,r,p+p+1,mid+1,b,need);     
              }   
              update(p);  
       }  
         
}tree;  
int main()  
{  
    cin >> n >> m ;  
    for (int i = 1; i <= n ;++i ) scanf("%d",&a[i]);  
    tree.build(a,1,n,1);  
      
    for (int i = 1; i <= m ;++i)  
    {  
        scanf("%d %d %d",&need, &s,&t);  
        tree.getDec(1,n,1,s,t,need);  
        if (tree.Min[1] < 0 )  
        {  
            printf("%d\n%d\n",-1,i);  
            return 0;  
        }  
    }  
    cout << 0 << endl;  
    return 0;  
}  

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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