A Simple Problem with Integers 线段树 区间更新

本文介绍了一种高效处理区间更新和查询的方法,通过使用懒惰标记优化区间操作的算法实现。该方法适用于需要频繁对区间进行更新和求和操作的问题场景。

题目:

You have N integers, A1, A2, ... , AN. You need to deal with two kinds of operations. One type of operation is to add some given number to each number in a given interval. The other is to ask for the sum of numbers in a given interval.

输入:

The first line contains two numbers N and Q. 1 ≤ N,Q ≤ 100000.
The second line contains N numbers, the initial values of A1, A2, ... , AN. -1000000000 ≤ Ai ≤ 1000000000.
Each of the next Q lines represents an operation.
"C a b c" means adding c to each of AaAa+1, ... , Ab. -10000 ≤ c ≤ 10000.
"Q a b" means querying the sum of AaAa+1, ... , Ab.

输出:

You need to answer all Q commands in order. One answer in a line.

样例输入:

10 5
1 2 3 4 5 6 7 8 9 10
Q 4 4
Q 1 10
Q 2 4
C 3 6 3
Q 2 4

样例输出:

4
55
9
15

 

给出n个数,有两种操作,区间更新(对在区间内的每个数都加上相同的数)和区间查询,比起单点更新来多了一个懒惰标记.

标记的含义:

本节点的统计信息已经根据标记更新过了,但是本节点的子节点仍需要进行更新。

即,如果要给一个区间的所有值都加上1,那么,实际上并没有给这个区间的所有值都加上1,而是打个标记,记下来,这个节点所包含的区间需要加1.打上标记后,要根据标记更新本节点的统计信息,比如,如果本节点维护的是区间和,而本节点包含5个数,那么,打上+1的标记之后,要给本节点维护的和+5。这是向下延迟修改,但是向上显示的信息是修改以后的信息,所以查询的时候可以得到正确的结果。有的标记之间会相互影响,所以比较简单的做法是,每递归到一个区间,首先下推标记(若本节点有标记,就下推标记),然后再打上新的标记,这样仍然每个区间操作的复杂度是O(log2(n))。(来自https://www.cnblogs.com/AC-King/p/7789013.html

 

AC代码:

#include <iostream>
#include <cstdio>
#include <string>
#include <cstring>
#include <algorithm>
#include <cmath>
using namespace std;
const int maxn=100005;
long long  sum[maxn<<2];
long long  a[maxn];
long long  Add[maxn<<2];//懒惰标记
void pushup(int rt)
{
    sum[rt]=sum[rt<<1]+sum[rt<<1|1];
}
void build(int l,int r,int rt)
{
    if(l==r)
    {
        sum[rt]=(long long)a[l];
        Add[rt]=0;
        return ;
    }
    int m=(l+r)>>1;
    build(l,m,rt<<1);
    build(m+1,r,rt<<1|1);
    pushup(rt);
}
void pushdown(int rt,int ln,int rn)//下推标记
{
    if(Add[rt])
    {
        Add[rt<<1]+=Add[rt];
        Add[rt<<1|1]+=Add[rt];
        sum[rt<<1]+=Add[rt]*ln;
        sum[rt<<1|1]+=Add[rt]*rn;
        Add[rt]=0;
    }
}
void update(int L,int R,int C,int l,int r ,int rt)//区间更新
{
    if(L<=l&&r<=R)
    {
        sum[rt]+=C*(r-l+1);
        Add[rt]+=C;
        return ;
    }
    int m=(l+r)>>1;
    pushdown(rt,m-l+1,r-m);
    if(L<=m) update(L,R,C,l,m,rt<<1);
    if(R>m)update(L,R,C,m+1,r,rt<<1|1);
    pushup(rt);
}
long long  Query(int L,int R,int l,int r,int rt)
{
    if(L<=l&&r<=R)
    {
        return sum[rt];
    }
    int m=(l+r)>>1;
    pushdown(rt,m-l+1,r-m);
    long long ans=0;
    if(L<=m) ans+=Query(L,R,l,m,rt<<1);
    if(R>m)  ans+=Query(L,R,m+1,r,rt<<1|1);
    return ans;
}
int main()
{
    int n,q;
    while(scanf("%d%d",&n,&q)!=EOF)
    {
    for(int i=1;i<=n;i++)//如果用scanf输入注意格式,longlong的不要用%d来输入。。。
        cin>>a[i];
    build(1,n,1);
    char ch;
    for(int i=1;i<=q;i++)
    {
        cin>>ch;
        int a,b,c;
        if(ch=='Q')
        {
            cin>>a>>b;
            long long ans=Query(a,b,1,n,1);
            cout<<ans<<endl;
        }
        else if(ch=='C')
        {
            cin>>a>>b>>c;
            update(a,b,c,1,n,1);
        }
    }
    }
    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。
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