hdu 1754 I Hate It

本文深入探讨了线段树的使用技巧与优化方法,包括数组实现的优势、与其他知识点结合的难点以及Splay树的引入。通过实例展示了线段树在解决特定问题时的高效性和清晰思路。

今天还是简单的回顾了一下线段树,加深影响,这题也是入门题,果然不是很输,一开始直接用链表,发现MLE。于是换了数组,发现数组很容易写,并且思路也很清晰。

今天的复习总结:

1、线段树用数组做会更好,代码明显好看很多!网上也有一个大牛写的很好的代码,值得借鉴!

2、线段树要和其他知识点连接的话,会比较难以想到用线段树,所以我要加深对线段树目的,效率,和结果都有更深的理解!

3、听说splay可以加深理解!

#include <iostream>
#include <stdio.h>
using namespace std;
#define MAXL 200010
struct Node
{
    int l,r,val;
}node[MAXL*4];
int loc[MAXL];
void Build(int l,int r,int len)
{
    if(l == r) {loc[l] = len;node[len].l = l;node[len].r = r;node[len].val = 0;return;}
    node[len].l = l;node[len].r = r;node[len].val = 0;
    Build(l,(l+r)/2,2*len);
    Build((l+r)/2+1,r,2*len+1);
}
void Update(int pos,int num)
{
    node[loc[pos]].val = num;
    int p = loc[pos];
    while(p != 1)
    {
        //cout<<pos<<endl;
        p/=2;
        node[p].val = max(node[2*p].val,node[2*p+1].val);
    }
}

int Query(int l,int r,int len)
{
    //cout<<l<<" "<<r<<" "<<len<<" "<<node[len].l<<" "<<node[len].r<<endl;

    if(l == node[len].l &&r == node[len].r) return node[len].val;
    int sum = 0;
    if(l <= (node[len].l+node[len].r)/2) sum = max(Query(l,min((node[len].l+node[len].r)/2,r),2*len),sum);
    if(r>(node[len].l+node[len].r)/2) sum = max(Query(max((node[len].l+node[len].r)/2+1,l),r,2*len+1),sum);
    return sum;
}
int main()
{
    int T,O;
    while(scanf("%d%d",&T,&O)!=EOF)
    {
        Build(0,T-1,1);
        //for(int i = 0;i < 9;i ++) cout<<node[i].l<<" "<<node[i].r<<endl;
        for(int i = 0;i < T;i ++)
        {
            int p;
            scanf("%d",&p);
            Update(i,p);
        }
        char s[2];
        while(O --)
        {
            scanf("%s",&s);
            if(s[0] == 'U')
            {
                int p,num;scanf("%d%d",&p,&num);
                Update(p-1,num);
            }
            else
            {
                int p,num;scanf("%d%d",&p,&num);
                printf("%d\n",Query(p-1,num-1,1));
            }
        }
    }
}



基于实时迭代的数值鲁棒NMPC双模稳定预测模型(Matlab代码实现)内容概要:本文介绍了基于实时迭代的数值鲁棒非线性模型预测控制(NMPC)双模稳定预测模型的研究与Matlab代码实现,重点在于提升系统在存在不确定性与扰动情况下的控制性能与稳定性。该模型结合实时迭代优化机制,增强了传统NMPC的数值鲁棒性,并通过双模控制策略兼顾动态响应与稳态精度,适用于复杂非线性系统的预测控制问题。文中还列举了多个相关技术方向的应用案例,涵盖电力系统、路径规划、信号处理、机器学习等多个领域,展示了该方法的广泛适用性与工程价值。; 适合人群:具备一定控制理论基础和Matlab编程能力,从事自动化、电气工程、智能制造、机器人控制等领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于非线性系统的高性能预测控制设计,如电力系统调度、无人机控制、机器人轨迹跟踪等;②解决存在模型不确定性、外部扰动下的系统稳定控制问题;③通过Matlab仿真验证控制算法的有效性与鲁棒性,支撑科研论文复现与工程原型开发。; 阅读建议:建议读者结合提供的Matlab代码进行实践,重点关注NMPC的实时迭代机制与双模切换逻辑的设计细节,同时参考文中列举的相关研究方向拓展应用场景,强化对数值鲁棒性与系统稳定性之间平衡的理解。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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