POJ 2104 归并树

本文介绍了一种使用归并树解决区间查询问题的方法。通过将归并排序的过程保存在树的每个节点中,实现了对有序数组的有效查询。具体地,文章详细解释了如何构建归并树,并通过upper_bound函数进行区间查询。

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

这道题有很多做法,很多人都是用主席树的板子写的,这两天刚好学了一下归并树,就决定用归并树来过一下这道题。和普通线段树不同的地方在于,每个节点存的不是一个值,而是一个数组,就是把归并排序的中间过程保存下来了。对于每一次查询,二分已经排好序的数组,判断数字x在被查找的区间中有几个数字比他小。query函数的区间查询操作基本跟线段树的查询操作没有区别了,就是用upper_bound来判断在当前区间小于x的数的个数。

#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <vector>
using namespace std;
const int N = 100000 +5;
int t[N],n,q;
vector<int>v[N<<2];
void build(int l,int r,int d)
{
    if(l == r)
    {
        v[d].clear();
        v[d].push_back(t[l]);
        return;
    }
    int m = (l+r) >>1;
    int ld = d<<1;
    int rd = d<<1|1;
    build(l,m,ld);
    build(m+1,r,rd);
    v[d].resize(r - l +1);
    merge(v[ld].begin(),v[ld].end(),v[rd].begin(),v[rd].end(),v[d].begin());
}
int query(int ql,int qr,int l,int r,int x,int d)
{
    if(qr < l || r < ql) return 0;
    if(ql <= l && r <= qr)
    {
        return upper_bound(v[d].begin(),v[d].end(),x) - v[d].begin();
    }
    int m = (l+r) >>1;
    int lc = query(ql,qr,l,m,x,d<<1);
    int rc = query(ql,qr,m+1,r,x,d<<1|1);
    return lc + rc;
}
int main()
{
   while(~scanf("%d%d",&n,&q))
   {
      for(int i = 1; i <= n; i++) scanf("%d",&t[i]);
      build(1,n,1);
      while(q --)
      {
          int a,b,k;
          scanf("%d%d%d",&a,&b,&k);
          int l = -1, r = n - 1;
          while(r - l > 1)
          {
              int m = (l + r) >> 1;
              int c = query(a,b,1,n,v[1][m],1);
              if(c >= k) r = m;
              else l = m;
          }
          printf("%d\n",v[1][r]);
      }
   }
}

 

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