[HNOI2010] 弾飞绵羊

博客围绕一道LCT裸题展开,因作者不会LCT而采用分块瞎搞。对每个点维护跳出块的步数和落点两个信息,预处理用模拟方法。对于查和修两种操作,单次复杂度均为O(√n),总复杂度约为O(m√n),还给出代码转载链接。

题目链接:

传送门

题目分析:

题外话:
我即使是死了,钉在棺材里了,也要在墓里,用这腐朽的声带喊出:
根号算法牛逼!!!

显然,这是一道LCT裸题,然而在下并不会LCT于是采用了分块瞎搞
对于每个点维护两个信息:跳出块的步数\(step[i]\)和跳出块的落点\(lo[i]\)
预处理时使用类似模拟的方法。每次只处理还未处理过的点,并且对于每次处理顺带将向后跳到过的点也处理掉,具体见代码。
对于两种操作:

  • 查:利用记录的落点在大块上跳并累加答案,单次复杂度\(O(\sqrt{n})\)
  • 修:分析得到,每个点维护的两个信息都只与其块内的信息有关,所以仅需要重构一遍修改点所在块即可,单次复杂度\(O(\sqrt{n})\)
    总复杂度约为\(O(m\sqrt{n})\)

代码:

#include<bits/stdc++.h>
#define N 200010
using namespace std;
inline int read() {
    int cnt = 0, f = 1; char c;
    c = getchar();
    while (!isdigit(c)) {
        if (c == '-') f = -f;
        c = getchar();
    }
    while (isdigit(c)) {
        cnt = cnt * 10 + c - '0';
        c = getchar();
    }
    return cnt * f;
}
int q, pos[N], n, m, L[N], R[N], step[N], lo[N], sta[N], top, a[N], opr, x, k;
bool flag = false;

void pre_work() {
    q = sqrt(n);
    for (register int i = 1; i <= q; i++) {
        L[i] = (i - 1) * q + 1;
        R[i] = i * q;
    }
    if (R[q] < n) {
        q++;
        L[q] = R[q - 1] + 1;
        R[q] = n;
    }
    
    for (register int i = 1; i <= q; i++) 
        for (register int j = L[i]; j <= R[i]; j++) 
            pos[j] = i;
    
    for (register int i = 1; i <= n; i++) {
        if(step[i]) continue;
        flag = false;
        sta[++top] = i; int now = i;
        while(pos[now] == pos[now + a[now]]) {
            if (step[now + a[now]]) {
                flag = 1;
                break;
            } else {
                now += a[now];
                sta[++top] = now;
            }
        }
        int total = top + 1;
        while (top) {
            if (!flag) {
                lo[sta[top]] = now + a[now];
                step[sta[top]] = total - top;
            } else {
                lo[sta[top]] = lo[now + a[now]];
                step[sta[top]] = total - top + step[now + a[now]];
            }
            --top;
        }
    }
}
void change(int q,int k) {
    int p = pos[q];
    a[q] = k;
    for (register int i = L[p]; i <= R[p]; i++) lo[i] = step[i] = 0;
    for (register int i = L[p]; i <= R[p]; i++) {
        if(step[i]) continue;
        flag = false;
        sta[++top] = i; int now = i;
        while(pos[now] == pos[now + a[now]]) {
            if (step[now + a[now]]) {
                flag = 1;
                break;
            } else {
                now += a[now];
                sta[++top] = now;
            }
        }
        int total = top + 1;
        while (top) {
            if (!flag) {
                lo[sta[top]] = now + a[now];
                step[sta[top]] = total - top;
            } else {
                lo[sta[top]] = lo[now + a[now]];
                step[sta[top]] = total - top + step[now + a[now]];
            }
            --top;
        }
    }
}
int query(int i) {
    int v = i;
    int ans= 0;
    while (pos[v]) {
        ans += step[v];
        v = lo[v];
    }
    return ans;
}
int main() {
    n = read();
    for (register int i = 1; i <= n; i++) a[i] = read();
    m = read();
    pre_work();
    for (register int i = 1; i <= m; i++) {
        opr = read(); x = read();
        if (opr == 1) printf("%d\n", query(x + 1));
        if (opr == 2) {
            k = read();
            change(x + 1, k);
        }
    }
    return 0;
}

转载于:https://www.cnblogs.com/kma093/p/10808431.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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