二分与离散化

由于JSCPC被坑,于是特地写一篇专题。

整数集合上的二分

答案在 [l,r] 区间内。
注意要求mid用的是右移运算符,/2会造成负数域内的误差

在单调增序列中查找 ≥ x \geq x x的最小值

bool check(int x) {
    if(a[x]>=k) return 1;
    return 0;
}

int l=0, r = n-1;
while(l<r) {
    int mid = (l+r) >> 1;
    if(check(mid)) r = mid;
    else l = mid+1;
}
cout << l ;

在单调增序列中查找 ≤ x \leq x x的最大值

bool check(int x) {
    if(a[x]<=k) return 1;
    return 0;
}

int l=0, r = n-1;
while(l<r) {
    int mid = (l+r+1) >> 1;
    if(check(mid)) l = mid;
    else r = mid-1;
}
cout << l ;

实数域二分

实数域常见二分

while(l+eps<r) {
	double mid = (l+r) / 2;
	if(check(mid)) l = mid;
	else r = mid;
}

指定次数二分

for(int i=0;i<100;i++) {
	double mid = (l+r) / 2;
	if(check(mid)) l = mid;
	else r = mid;

离散化

普通版本

void discrete() {
    int cnt1=0;
    sort(b+1,b+n+1);
    tmp[cnt1++] = b[1];
    for(int i=2;i<=n;i++) {
        if(b[i]!=b[i-1]) tmp[cnt1++]=b[i];
    }
    for(int i=1;i<=n;i++) 
        a[i] = lower_bound(tmp,tmp+cnt1,a[i]) - tmp + 1;
}

利用STL

void discrete() {
    vector<int> b;
    for(int i=1;i<=n;i++) b.push_back(a[i]);
    sort(b.begin(),b.end());
    b.erase(unique(b.begin(),b.end()),b.end());
    for(int i=1;i<=n;i++) a[i]=lower_bound(b.begin(),b.end(),a[i])-b.begin()+1;
}
### 前缀和的概念及实现 前缀和是一种用于快速计算子数组子矩阵和的技术。对于一维数组 `arr` 的前缀和,可以通过如下方式定义: 设 `prefix[i]` 表示从数组起始位置到第 `i` 位的累加和,则有: ```python def build_prefix_sum_1d(arr): n = len(arr) prefix = [0] * (n + 1) # 初始化长度为 n+1 的前缀和数组 for i in range(1, n + 1): # 构建前缀和数组 prefix[i] = prefix[i - 1] + arr[i - 1] return prefix ``` 通过上述代码,可以在 O(n) 时间复杂度内完成一维前缀和的构建[^1]。 对于二维数组的情况,其前缀和可以扩展为矩形区域内的求和操作。假设有一个二维数组 `matrix`,则可以用以下方法构建二维前缀和: ```python def build_prefix_sum_2d(matrix): rows = len(matrix) cols = len(matrix[0]) if rows > 0 else 0 prefix = [[0] * (cols + 1) for _ in range(rows + 1)] # 初始化二维前缀和数组 for i in range(1, rows + 1): for j in range(1, cols + 1): prefix[i][j] = matrix[i - 1][j - 1] \ + prefix[i - 1][j] \ + prefix[i][j - 1] \ - prefix[i - 1][j - 1] # 防止重复计数 return prefix ``` 利用该技术,可高效查询任意子矩阵的和[^3]。 --- ### 差分的概念及实现 差分是前缀和的逆运算,主要用于处理频繁修改区间值的操作。在一维情况下,如果要对某个区间的元素加上相同的值,可以直接通过对差分数组进行两次更新来简化操作。 #### 一维差分 给定一个初始全零的一维数组 `diff` 和目标数组 `arr`,可通过以下方式构建差分数组并支持范围更新: ```python def apply_difference_update(diff, start, end, value): diff[start] += value if end + 1 < len(diff): # 如果结束索引未超出边界 diff[end + 1] -= value def compute_array_from_diff(diff): result = [] current = 0 for val in diff: current += val result.append(current) return result ``` #### 二维差分 同样地,差分也可应用于二维场景下,允许对矩形区域内执行批量增减操作: ```python def apply_difference_update_2d(diff_matrix, top_left_x, top_left_y, bottom_right_x, bottom_right_y, value): diff_matrix[top_left_x][top_left_y] += value diff_matrix[top_left_x][bottom_right_y + 1] -= value diff_matrix[bottom_right_x + 1][top_left_y] -= value diff_matrix[bottom_right_x + 1][bottom_right_y + 1] += value def compute_matrix_from_diff(diff_matrix): rows = len(diff_matrix) cols = len(diff_matrix[0]) result = [[0] * cols for _ in range(rows)] for i in range(rows): for j in range(cols): if i > 0: diff_matrix[i][j] += diff_matrix[i - 1][j] if j > 0: diff_matrix[i][j] += diff_matrix[i][j - 1] if i > 0 and j > 0: diff_matrix[i][j] -= diff_matrix[i - 1][j - 1] result[i][j] = diff_matrix[i][j] return result ``` 以上实现了高效的区间更新功能。 --- ### 离散化的概念及应用 当面对大量稀疏分布的数据时,直接存储会浪费内存资源;此时采用离散化策略能够显著优化性能。具体做法是对原始数据排序后去除冗余信息,并将其映射至较小范围内表示。 以下是基于 Python 的基本实现流程: ```python from bisect import bisect_left def discretize(values): sorted_values = sorted(set(values)) # 排序并去重 mapping = {val: idx + 1 for idx, val in enumerate(sorted_values)} # 映射关系建立 return [mapping[val] for val in values], mapping # 返回离散后的列表及其对应字典 # 示例调用 original_data = [9, 7, 5, 8, 7, 6, 5, 4, 3, 2, 1] discretized_data, mapper = discretize(original_data) print("Original Data:", original_data) print("Discretized Data:", discretized_data) print("Mapping Dictionary:", mapper) ``` 此过程有效降低了所需空间需求的同时保留了原有顺序特性[^2]^. 在实际问题解决过程中,比如地理信息系统中的坐标转换者大规模社交网络分析等领域都广泛采用了类似的思路. ---
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

打赏作者

总想玩世不恭

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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