2023NOIP A层联测26 T3 tour

有意思的树上主席树。

思路

首先考虑一个点 \(p\) 能计入答案的情况,就是 \(dis(x,p)-a_p \ge a_p\)。 我们把 \(x \to y\) 的路径拆成 \(x \to lca,lca \to y\) 两条。

记录一个点 \(x\) 到根路径上的前缀和为 \(s_x\),对于两条路径,我们分类讨论:

第一条,合法条件为 \(s_x-s_p \ge a_p\),也就是 \(s_p+a_p \le s_x\)。左边的是一个关于 \(p\) 的式子,我们把它放到某个数据结构里面,查询一条链上小于等于给定值的值的个数,如果树给定,这显然是可以通过主席树来做的。

具体来说,每个点继承它父亲的版本,最后把两个版本一减就好了。

第二条,我们记录 lca 的父亲为 \(z\),那么合法条件为 \(s_x-s_z+s_p-s_{lca}-a_p \ge a_p\),也就是 \(2 \times a_p-s_p \le s_x-s_z-s_{lca}\)。

左边是一个关于 \(p\) 的式子,右边是一个定值,也可以用类似的方法通过主席树求出。

那么允许离线的方法就很明显了,先建出树,然后对于每个点维护两棵主席树,分别表示第一种和第二种情况,然后查询的时候拆成两条路径分别查询即可(注意不要重复算 lca)。

现在考虑在线。一个经典的方法是启发式合并,由于答案和树的形态无关,可以每次把 size 小的连通块合并到 size 大的连通块上,对于 size 小的那个连通块,我们暴力重构需要维护的信息,包括倍增数组、前缀和数组和主席树。然后正常查询就好了。

启发式合并的复杂度是 \(O(n \log n)\),再加上重构倍增数组和主席树,复杂度就是 \(O(n \log n \log V)\)。

CODE

#include<bits/stdc++.h>
using namespace std; #define lch(p) tree[p].ch[0]
#define rch(p) tree[p].ch[1] const int maxm=5e7+10,maxn=1e5+5;
const int lim=5e8; struct Tree
{
int ch[2],siz;
}S1[maxm],S2[maxm];
struct Edge
{
int to,nxt;
}edge[maxn*2]; int n,S1tot,S2tot,tot,tp,q,la;
int val[maxn],head[maxn],fa[maxn],sz[maxn],rt1[maxn],rt2[maxn],f[maxn][25],sum[maxn],dep[maxn]; void add(int x,int y)
{
tot++;
edge[tot].to=y;
edge[tot].nxt=head[x];
head[x]=tot;
} int findroot(int x){return fa[x]==x?x:fa[x]=findroot(fa[x]);} void insert(Tree *tree,int &tot,int &p,int l,int r,int x)
{
tree[++tot]=tree[p];
p=tot;
if(l==r){tree[p].siz++;return ;}
int mid=l+r>>1;
if(mid>=x) insert(tree,tot,lch(p),l,mid,x);
else insert(tree,tot,rch(p),mid+1,r,x);
tree[p].siz=tree[lch(p)].siz+tree[rch(p)].siz;
}
int query(Tree *tree,int p,int lp,int l,int r,int lx,int rx)
{
if(lx<=l&&r<=rx) return tree[p].siz-tree[lp].siz;
if(rx<l||r<lx) return 0;
int mid=l+r>>1;
return query(tree,lch(p),lch(lp),l,mid,lx,rx)+query(tree,rch(p),rch(lp),mid+1,r,lx,rx);
} void dfs(int u,int fa,int d)
{
dep[u]=d;
f[u][0]=fa;
for(int i=1;i<=20;i++) f[u][i]=f[f[u][i-1]][i-1];
rt1[u]=rt1[fa],rt2[u]=rt2[fa];
sum[u]=sum[fa]+val[u];
insert(S1,S1tot,rt1[u],-lim,lim,sum[u]+val[u]);
insert(S2,S2tot,rt2[u],-lim,lim,2*val[u]-sum[u]);
for(int i=head[u];i;i=edge[i].nxt)
{
int v=edge[i].to;
if(v==fa) continue;
dfs(v,u,d+1);
}
} int Lca(int u,int v)
{
if(dep[u]<dep[v]) swap(u,v);
for(int i=20;i>=0;i--) if(dep[f[u][i]]>=dep[v]) u=f[u][i];
if(u==v) return u;
for(int i=20;i>=0;i--) if(f[u][i]!=f[v][i]) u=f[u][i],v=f[v][i];
return f[u][0];
} int main()
{
scanf("%d",&tp);
scanf("%d%d",&n,&q);
for(int i=1;i<=n;i++)
{
scanf("%d",&val[i]);
fa[i]=i,sz[i]=1,sum[i]=val[i],dep[i]=1;
insert(S1,S1tot,rt1[i],-lim,lim,val[i]*2);
insert(S2,S2tot,rt2[i],-lim,lim,val[i]);
} while(q--)
{
int op,u,v;
scanf("%d%d%d",&op,&u,&v);
if(tp) u=u^la,v=v^la;
if(!op)
{
int fu=findroot(u),fv=findroot(v);
if(sz[fu]<sz[fv]) swap(u,v),swap(fu,fv);
fa[fv]=fu,sz[fu]+=sz[fv];
dfs(v,u,dep[u]+1);
add(u,v);
add(v,u);
}
else
{
int lca=Lca(u,v);
int z=f[lca][0];
la=query(S1,rt1[u],rt1[z],-lim,lim,-lim,sum[u])+query(S2,rt2[v],rt2[lca],-lim,lim,-lim,sum[u]-sum[lca]-sum[z]);
printf("%d\n",la);
}
}
}

2023NOIP A层联测26 T3 tour的更多相关文章

  1. MySQL Nested-Loop Join算法学习

    不知不觉的玩了两年多的MySQL,发现很多人都说MySQL对比Oracle来说,优化器做的比较差,其实某种程度上来说确实是这样,但是毕竟MySQL才到5.7版本,Oracle都已经发展到12c了,今天 ...

  2. ASP.NET MVC4入门到精通系列目录汇总

    序言 最近公司在招.NET程序员,我发现好多来公司面试的.NET程序员居然都没有 ASP.NET MVC项目经验,其中包括一些工作4.5年了,甚至8年10年的,许多人给我的感觉是:工作了4.5年,We ...

  3. X-Cart 学习笔记 完整目录

    如果有需要,可以直接联系博主,讨论学习 一.了解X-CART. 3 二.PHP环境搭建... 3 三.安装配置X-CART. 4 1.下载X-Cart并配置域名,映射地址... 4 2.配置X-Car ...

  4. 使用ajax实现无刷新改变页面内容

    如何使用ajax实现无刷新改变页面内容(也就是ajax异步请求刷新页面),下面通过一个小demo说明一下,前端页面代码如下所示 1 <%@ Page Language="C#" ...

  5. SIFT特征提取分析(转载)

    转载自: http://blog.csdn.net/abcjennifer/article/details/7639681 SIFT(Scale-invariant feature transform ...

  6. [转]SIFT特征提取分析

    SIFT(Scale-invariant feature transform)是一种检测局部特征的算法,该算法通过求一幅图中的特征点(interest points,or corner points) ...

  7. (六)6.17 Neurons Networks convolutional neural network(cnn)

    之前所讲的图像处理都是小 patchs ,比如28*28或者36*36之类,考虑如下情形,对于一副1000*1000的图像,即106,当隐层也有106节点时,那么W(1)的数量将达到1012级别,为了 ...

  8. 误差逆传播(error BackPropagation, BP)算法推导及向量化表示

    1.前言 看完讲卷积神经网络基础讲得非常好的cs231后总感觉不过瘾,主要原因在于虽然知道了卷积神经网络的计算过程和基本结构,但还是无法透彻理解卷积神经网络的学习过程.于是找来了进阶的教材Notes ...

  9. 目标检测网络之 YOLOv2

    YOLOv1基本思想 YOLO将输入图像分成SxS个格子,若某个物体 Ground truth 的中心位置的坐标落入到某个格子,那么这个格子就负责检测出这个物体. 每个格子预测B个bounding b ...

  10. javaweb面试题

    1.Tomcat的优化经验 答:去掉对web.xml的监视,把JSP提前编辑成Servlet:有富余物理内存的情况下,加大Tomcat使用的JVM内存. 2.什么是Servlet? 答:可以从两个方面 ...

随机推荐

  1. Python中的分布式框架Ray的安装与使用

    技术背景 假设我们在一个局域网内有多台工作站(不是服务器),那么有没有一个简单的方案可以实现一个小集群,提交分布式的任务呢?Ray为我们提供了一个很好的解决方案,允许你通过conda和Python灵活 ...

  2. 【Python自动化】之特殊的自动化定位操作

    今天有时间了,想好好的把之前遇到过的自动化问题总结一下,以后有新的总结再更新 目录: 一.上传文件(4.11) 二.下拉框选择(4.11) 1.Select下拉框 2.非Select下拉框 三.下拉框 ...

  3. vscode 安装历史版本

    修改版本号为想要下载的版本即可 https://update.code.visualstudio.com/{版本}/win32-x64-archive/stable vscode 历史版本地址:Vis ...

  4. sicp每日一题[2.1]

    Exercise 2.1 Exercise 2.1: Define a better version of make-rat that handles both positive and negati ...

  5. wxpython开发gui界面基础

    wxpython 开发gui 基础知识 一 .前言 记录使用wxpython开发gui工具吧.gui界面主要就是先布局,每个模块都是一个对象. 二.基础知识 import wx class MyFra ...

  6. 邀请参与 2022 第三季度 Flutter 开发者调查

    自 Flutter 3 发布之后,我们在以移动端为中心到多平台框架的路线上稳步前行,用 Dart 2.17 的新语言特性帮助大家提升工作效率,并对核心工具进行了改进,让您在跨平台打造优秀体验时更加得心 ...

  7. SuperMap iDesktopX创建HBase数据源并导入数据

    需提前部署HBase集群,HBase环境搭建请查看文章https://www.cnblogs.com/zhangyongli2011/p/12034628.html 本文基于10.1.1 win版本s ...

  8. Nuxt.js 应用中的 link:prefetch 钩子详解

    title: Nuxt.js 应用中的 link:prefetch 钩子详解 date: 2024/10/7 updated: 2024/10/7 author: cmdragon excerpt: ...

  9. Android Systrace 基础知识 -- Why 60 fps ?

    1.正文 今天来讲一下为何我们讲到流畅度,要首先说 60 帧. 我们先来理一下基本的概念: 60 fps 的意思是说,画面每秒更新 60 次 这 60 次更新,是要均匀更新的,不是说一会快,一会慢,那 ...

  10. 标准库之 random 模块

    一.介绍random模块 1.1.random模块简介 random模块是Python标准库中用于生成伪随机数的模块,伪随机数是通过算法生成的数列,在一定范围内表现出随机性,虽然这些数列在一定程度上是 ...