poj 3321 树状数组 第一题

本文详细解析了一道涉及树状数组和深度优先搜索(DFS)的编程题,通过实例讲解如何利用DFS遍历树结构并使用树状数组高效统计苹果数量,适合对数据结构和算法感兴趣的读者。

           郭老师的分析:  一棵树上长了苹果,每一个树枝节点上有长苹果和不长苹果两种状态,两种操作,一种操作能够改变树枝上苹果的状态,另一种操作询问某一树枝节点一下的所有的苹果有多少。具体做法是做一次dfs,记下每个节点的开始时间Start[i]和结束时间End[i],那么对于i节点的所有子孙的开始时间和结束时间都应位于Start[i]和End[i]之间,另外用一个数组C[i]记录附加在节点i上的苹果的个数,然后用树状数组统计Start[i]到End[i]之间的附加苹果总数。这里用树状数组统计区间可以用Sum(Start[i])-Sum(End[i]-1)来计算。

  第一次做树状数组的题。把源代码原原版版的抄下来了。。。看懂了,为了加深印象,又为了节省时间。。。好吧,期待下一题。这几个周末要出去玩了,没时间做题了。。。呜呜。。。

#include <iostream>
#include <vector>

using namespace std;
#define MY_MAX 220000
int C[MY_MAX];
typedef vector<int> VCT_INT;
vector<VCT_INT> G(MY_MAX/2);
int Lowbit[MY_MAX];
bool HasApple[MY_MAX/2];
int Start[MY_MAX]; //dfs时的开始时间
int End[MY_MAX]; //dfs是的结束时间
int nCount=0;

void Dfs(int v){
Start[v]=++nCount;
for(int i=0;i<G[v].size();i++)
Dfs(G[v][i]);
End[v]=++nCount;
}

int QuerySum(int p){
int nSum=0;
while(p>0){
nSum+=C[p];
p-=Lowbit[p];
}
return nSum;
}

void Modify(int p,int val){
while(p<=nCount){
C[p]+=val;
p+=Lowbit[p];
}
}


int main(){
int n;
scanf("%d",&n);
int x,y;
int i,j,k;
//建图
for(i=0;i<n-1;i++){
int a,b;
scanf("%d%d",&a,&b);
G[a].push_back(b);
}
nCount=0;
Dfs(1);
//树状数组要处理的原始数组下标范围是1--nCount
for(i=1;i<=nCount;i++){
Lowbit[i]=i&(i^(i-1));
}
for(i=1;i<=n;i++)
HasApple[i]=1;

int m;
//求C数组,即树状数组的节点的值
for(i=1;i<=nCount;i++)
C[i]=i-(i-Lowbit[i]+1)+1;
scanf("%d",&m);
for(i=0;i<m;i++){
char cmd[10];
int a;
scanf("%s%d",cmd,&a);
if(cmd[0]=='C'){
if(HasApple[a]){
Modify(Start[a],-1);
Modify(End[a],-1);
HasApple[a]=0;
}
else{
Modify(Start[a],1);
Modify(End[a],1);
HasApple[a]=1;
}
}
else{
int t1=QuerySum(End[a]);
int t2=QuerySum(Start[a]);
printf("%d\n",(t1-t2)/2+HasApple[a]);
}
}
return 0;
}

 

转载于:https://www.cnblogs.com/Jason-Damon/archive/2012/03/02/2376471.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