[模板]非递归线段树(zkw的变异版本)

本文介绍了一种优化后的线段树实现方法,相较于传统的ZKW线段树,此方法仅使用双倍的空间复杂度,实现了高效的区间修改与查询操作。通过递归下传标记的方式减少了不必要的计算,使得代码更为简洁高效。

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

类似于zkw,但空间只用两倍,zkw要4倍。

链接

可以下传标记,打熟后很好码。

#include <set>
#include <cmath>
#include <cstdio>
#include <cstring>
#include <iostream>
#include <assert.h>
#include <algorithm>

using namespace std;

#define LL long long
#define debug(...) fprintf(stderr, __VA_ARGS__)
#define GO debug("GO\n")

inline int rint() {
  register int x = 0, f = 1; register char c;
  while (!isdigit(c = getchar())) if (c == '-') f = -1;
  while (x = (x << 1) + (x << 3) + (c ^ 48), isdigit(c = getchar()));
  return x * f;
}

template<typename T> inline void chkmin(T &a, T b) { a > b ? a = b : 0; }
template<typename T> inline void chkmax(T &a, T b) { a < b ? a = b : 0; }


const int maxN = 1e5 + 10;

int n, h, m;
LL sum[maxN * 2], tag[maxN * 2];

void build() {
  for (h = 1; 1 << h < n; ++ h);//计算树高
  for (int i = n + 1; i <= 2 * n; ++ i) sum[i] = rint();
  for (int i = n; i >= 1; -- i) sum[i] = sum[i<<1] + sum[i<<1|1];
}

void add(int x, int val, int len) {
  sum[x] += val * len;
  if (x <= n) tag[x] += val;//如果不是是叶子才打标记
}

void pu(int x) {
  int len = 1;
  while (x > 1) len<<=1, x >>= 1, sum[x] = sum[x<<1] + sum[x<<1|1] + tag[x] * len;//从下往上,儿子的值不一定正确,需要累上标记
}

void pd(int x) {
  for (int i = h, len = 1 << (h - 1); i > 0; -- i, len >>= 1) {//从上到下len初始为1<<(h-1)
    int y = x >> i;
    if (tag[y]) {//下传标记
      add(y<<1, tag[y], len);
      add(y<<1|1, tag[y], len);
      tag[y] = 0;
    }
  }
}

void modify(int l, int r, int val) {
  l += n, r += n;
  int l0 = l, r0 = r;
  for (int len = 1; l <= r; l = (l + 1) >> 1, r = (r - 1) >> 1, len <<= 1) {//从下往上,叶子节点len为1
    if (l & 1) add(l, val, len);
    if (r & 1 ^ 1) add(r, val, len);
  }
  pu(l0); pu(r0);//别忘了pushup
}

LL query(int l, int r) {
  l += n, r += n;
  pd(l); pd(r);//查询前要下传该区间标记
  LL ans = 0;
  for (; l <= r; l = (l + 1) >> 1, r = (r - 1) >> 1) {
    if (l & 1) ans += sum[l];
    if (r & 1 ^ 1) ans += sum[r];
  }
  return ans;
}

int main() {
#ifndef ONLINE_JUDGE
  freopen("xhc.in", "r", stdin);
  freopen("xhc.out", "w", stdout);
#endif
  n = rint(), m = rint();
  build();
  int op, x, y, k;
  while (m --) {
    op = rint(), x = rint(), y = rint();
    if (op == 1) {
      k = rint();
      modify(x, y, k);
    } else {
      printf("%lld\n", query(x, y));
    }
  }
}

转载于:https://www.cnblogs.com/cnyali-Tea/p/10587028.html

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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