hdu 3397

本文详细介绍了如何优化线段树来解决抑或操作的问题,并通过实例展示了具体实现过程。从基本概念到实际应用,涵盖了线段树的构建、更新和查询等关键步骤。

前天比赛遇到一道简化版的抑或的线段树,比赛调了一个点才过

这道题是上次的增强版


#include <cstdio>
#include <cstring>
#include <algorithm>
using namespace std;
#define LL(x)  (x << 1)
#define RR(x) (x << 1) | 1
const int MAXN = 100000;
struct Struct_tree
{
    int l, r, len;
    int color;
    int sum;
    int lmax, rmax, tmax;//1的长度
    int mid()
    {
        return (l + r) >> 1;
    }
} tree[MAXN * 3];

int num[MAXN];

void update_info(int idx)
{
    if(tree[LL(idx)].color == tree[RR(idx)].color)  tree[idx].color = tree[LL(idx)].color;
    else tree[idx].color = -1;

    if(tree[idx].color == 1)
    {
        tree[idx].sum = tree[idx].lmax = tree[idx].rmax = tree[idx].tmax = tree[idx].len;
    }
    else if(tree[idx].color == 0)
    {
        tree[idx].sum = tree[idx].lmax = tree[idx].rmax = tree[idx].tmax = 0;
    }
    else
    {
        tree[idx].sum = tree[LL(idx)].sum + tree[RR(idx)].sum;

        if(tree[LL(idx)].lmax == tree[LL(idx)].len)  tree[idx].lmax = tree[LL(idx)].lmax + tree[RR(idx)].lmax;
        else tree[idx].lmax = tree[LL(idx)].lmax;
        if(tree[RR(idx)].rmax == tree[RR(idx)].len)  tree[idx].rmax = tree[LL(idx)].rmax + tree[RR(idx)].rmax;
        else tree[idx].rmax = tree[RR(idx)].rmax;

        tree[idx].tmax = max(tree[LL(idx)].rmax + tree[RR(idx)].lmax,
                                       max(tree[LL(idx)].tmax, tree[RR(idx)].tmax));
    }
}

void build(int l, int r, int idx)
{
    tree[idx].l = l;
    tree[idx].r = r;
    tree[idx].len = r - l + 1;
    if(l == r)
    {
        tree[idx].lmax = tree[idx].rmax = tree[idx].tmax = tree[idx].sum = tree[idx].color = num[l];
        return;
    }
    int mid = tree[idx].mid();
    build(l, mid, LL(idx));
    build(mid+1, r, RR(idx));
    update_info(idx);
}

void push_down(int idx)
{
    tree[LL(idx)].color = tree[RR(idx)].color = tree[idx].color;
    if(tree[idx].color == 1)
    {
        tree[LL(idx)].sum = tree[LL(idx)].lmax = tree[LL(idx)].rmax = tree[LL(idx)].tmax = tree[LL(idx)].len;
        tree[RR(idx)].sum = tree[RR(idx)].lmax = tree[RR(idx)].rmax = tree[RR(idx)].tmax = tree[RR(idx)].len;
    }
    else
    {
        tree[LL(idx)].sum = tree[LL(idx)].lmax = tree[LL(idx)].rmax = tree[LL(idx)].tmax = 0;
        tree[RR(idx)].sum = tree[RR(idx)].lmax = tree[RR(idx)].rmax = tree[RR(idx)].tmax = 0;
    }
    tree[idx].color = -1;
}

void update(int l, int r, int k, int idx)
{
    if(tree[idx].color == k)  return; //没必要下去了

    if(l <= tree[idx].l && tree[idx].r <= r)
    {
        tree[idx].color = k;
        if(k == 0)  tree[idx].sum = tree[idx].lmax = tree[idx].rmax = tree[idx].tmax = 0;
        else tree[idx].sum = tree[idx].lmax = tree[idx].rmax = tree[idx].tmax = tree[idx].len;
        return;
    }

    if(tree[idx].color != -1)  push_down(idx);

    int mid = tree[idx].mid();
    if(mid >= l)  update(l, r, k, LL(idx));
    if(mid < r) update(l, r, k, RR(idx));
    update_info(idx);
}

void update_xor(int l, int r, int idx)
{
    if(l <= tree[idx].l && tree[idx].r <= r && tree[idx].color != -1)
    {
        if(tree[idx].color == 1) tree[idx].sum = tree[idx].lmax = tree[idx].rmax = tree[idx].tmax = 0;
        else tree[idx].sum = tree[idx].lmax = tree[idx].rmax = tree[idx].tmax = tree[idx].len;
        tree[idx].color ^= 1;
        return;
    }

    if(tree[idx].color != -1)  push_down(idx);

    int mid = tree[idx].mid();
    if(mid >= l)  update_xor(l, r, LL(idx));
    if(mid < r) update_xor(l, r, RR(idx));
    update_info(idx);
}

int Query(int l, int r, int idx)
{
    if(tree[idx].color == 0)  return 0;
    if(tree[idx].color == 1)  return r - l + 1;
    if(l <= tree[idx].l && tree[idx].r <= r)  return tree[idx].sum;
    //肯定没有没有标记下传的情况,因为标记下传的话,在三面三句话里都已经返回了
    int mid = tree[idx].mid();
    if(mid < l)  return Query(l, r, RR(idx));
    else if(mid >= r) return Query(l, r, LL(idx));
    else return Query(l, mid, LL(idx)) + Query(mid+1, r, RR(idx));
}

int Query_slen(int l, int r, int idx)
{
    if(tree[idx].color == 0)  return 0;
    if(tree[idx].color == 1)
    {
        return r - l + 1;
    }
    if(l <= tree[idx].l && tree[idx].r <= r)  return tree[idx].tmax;
    int mid = tree[idx].mid();
    if(mid < l)  return Query_slen(l, r, RR(idx));
    else if(mid >= r) return Query_slen(l, r, LL(idx));
    else
    {
        int len1 = Query_slen(l, mid, LL(idx));
        int len2 = Query_slen(mid+1, r, RR(idx));
        int len0 = min(tree[LL(idx)].rmax, mid - l + 1) + min(tree[RR(idx)].lmax, r - mid);
        return max(len0, max(len1, len2));
    }
}

int main()
{
    int T;
    scanf("%d", &T);
    int op, a, b, n, m;
    while(T--)
    {
        scanf("%d%d",&n,&m);

        for(int i=1; i<=n; i++)  scanf("%d", &num[i]);

        build(1, n, 1);

        while(m--)
        {
            scanf("%d%d%d", &op, &a, &b);
            a++;
            b++;
            switch(op)
            {
            case 0:
                update(a,b,0,1);
                break;
            case 1:
                update(a,b,1,1);
                break;
            case 2:
                update_xor(a,b,1);
                break;
            case 3:
                printf("%d\n",Query(a,b,1));
                break;
            case 4:
                printf("%d\n",Query_slen(a,b,1));
            }
        }
    }
    return 0;
}


基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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