莫队离线算法

简介: 莫队离线算法

题目:


给出一个长度为 n 的数列 { a[1] , a[2] , a[3] , … , a[n] },以及 m 组询问 ( l[i] ,

r[i] , k[i])。 求数列下标区间在 [ l[i] , r[i] ] 中有多少数在该区间中的出现次数与 k[i]

互质(最大公约数为1)。


输入描述:

第一行,两个正整数 n , m (1 ≤ n, m ≤ 50000)。

第二行,n 个正整数 a[i] (1 ≤ a[i] ≤ n)描述这个数列。

接下来 m 行,每行三个正整数 l[i] , r[i] , k[i] (1 ≤ l[i] ≤ r[i] ≤ n, 1 ≤ k[i] ≤ n),描述一次询问。

输出描述:

输出 m 行,即每次询问的答案。

示例1

输入

1. 10 5
2. 1 1 1 1 1 2 2 2 2 2
3. 4 7 2
4. 4 7 3
5. 4 8 2
6. 4 8 3
7. 3 8 3

输出

1. 0
2. 2
3. 1
4. 1
5. 0

题解:

莫队算法,就裸题的基础上进行修改,题目问的多少数在该区间中的出现次数与k[i]互质,用莫队来维护区间内每个数出现的次数,然后枚举区间内出现的数的次数是否与k[i]互质,枚举的话不要从1~n全部枚举,因为题目可能只给了一部分数,其他在重复,所以可以用set来存数,因为set有自动筛重的功能


#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
ll gcd(ll a,ll b)
{
  if(b==0)return a;
  else return gcd(b,a%b);
} 
const ll maxn=1e6+9;
ll n,m;
ll a[maxn],pos[maxn],num[maxn],ans[maxn];
struct node{
  ll l,r,k,id;
}t[maxn];
bool cmp(node a,node b)
{
  if(pos[a.l]==pos[b.l])return a.r<b.r;
  else return pos[a.l]<pos[b.l];
}
int L=1,R=0;
void del(int x)
{
  num[x]--;
}
void add(int x)
{
  num[x]++;
}
void solve(node w)
{
  while(w.l>L){del(a[L++]);}
  while(w.r>R){add(a[++R]);}
  while(w.l<L){add(a[--L]);}
  while(w.r<R){del(a[R--]);}
}
set<ll>s;
int main()
{
  cin>>n>>m;
  for(int i=1;i<=n;i++)
  {
    cin>>a[i];
    s.insert(a[i]);
  }
  ll block=sqrt(n);
  for(int i=1;i<=m;i++)
  {
    cin>>t[i].l>>t[i].r>>t[i].k;
    t[i].id=i;
    pos[i]=i/block;
  A
  sort(t+1,t+1+m,cmp);
  for(int i=1;i<=m;i++)
  {
    solve(t[i]);
    int tot=0;
    for(set<ll>::iterator it=s.begin();it!=s.end();it++)
    {
      if(gcd(num[*it],t[i].k)==1&&num[*it])tot++;
    }
    ans[t[i].id]=tot;
  }
  for(int i=1;i<=m;i++)
  {
    cout<<ans[i]<<endl;
  }
}

目录
相关文章
|
5月前
|
机器学习/深度学习 数据采集 算法
推荐引擎离线算法与在线算法的探索与实践
推荐引擎是现代互联网产品中至关重要的组成部分。离线算法和在线算法分别负责处理大量数据的预处理和模型训练,以及快速响应用户的实时请求。通过合理的架构设计和算法选择,可以构建出高效且个性化的推荐系统,从而提升用户体验,增加用户满意度和留存率。未来,随着技术的发展,推荐引擎将更加智能化和个性化,为用户提供更加精准的服务。
|
6月前
|
机器学习/深度学习 人工智能 算法
【机器学习】RLHF:在线方法与离线算法在大模型语言模型校准中的博弈
【机器学习】RLHF:在线方法与离线算法在大模型语言模型校准中的博弈
355 6
|
7月前
|
算法 测试技术 C#
C++二分查找、离线算法:最近的房间
C++二分查找、离线算法:最近的房间
|
7月前
|
算法 测试技术 C++
C++二分查找、离线算法:最近的房间
C++二分查找、离线算法:最近的房间
|
机器学习/深度学习 算法 自动驾驶
NeurIPS 2022 Oral | 离线强化学习新范式!京东科技&清华提出解耦式学习算法
NeurIPS 2022 Oral | 离线强化学习新范式!京东科技&清华提出解耦式学习算法
203 0
|
2月前
|
算法 安全 数据安全/隐私保护
基于game-based算法的动态频谱访问matlab仿真
本算法展示了在认知无线电网络中,通过游戏理论优化动态频谱访问,提高频谱利用率和物理层安全性。程序运行效果包括负载因子、传输功率、信噪比对用户效用和保密率的影响分析。软件版本:Matlab 2022a。完整代码包含详细中文注释和操作视频。
|
8天前
|
算法
基于GA遗传算法的PID控制器参数优化matlab建模与仿真
本项目基于遗传算法(GA)优化PID控制器参数,通过空间状态方程构建控制对象,自定义GA的选择、交叉、变异过程,以提高PID控制性能。与使用通用GA工具箱相比,此方法更灵活、针对性强。MATLAB2022A环境下测试,展示了GA优化前后PID控制效果的显著差异。核心代码实现了遗传算法的迭代优化过程,最终通过适应度函数评估并选择了最优PID参数,显著提升了系统响应速度和稳定性。
|
5天前
|
算法
基于WOA鲸鱼优化的购售电收益与风险评估算法matlab仿真
本研究提出了一种基于鲸鱼优化算法(WOA)的购售电收益与风险评估算法。通过将售电公司购售电收益风险计算公式作为WOA的目标函数,经过迭代优化计算出最优购电策略。实验结果表明,在迭代次数超过10次后,风险价值收益优化值达到1715.1万元的最大值。WOA还确定了中长期市场、现货市场及可再生能源等不同市场的最优购电量,验证了算法的有效性。核心程序使用MATLAB2022a实现,通过多次迭代优化,实现了售电公司收益最大化和风险最小化的目标。
|
3天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于深度学习网络的宝石类型识别算法matlab仿真
本项目利用GoogLeNet深度学习网络进行宝石类型识别,实验包括收集多类宝石图像数据集并按7:1:2比例划分。使用Matlab2022a实现算法,提供含中文注释的完整代码及操作视频。GoogLeNet通过其独特的Inception模块,结合数据增强、学习率调整和正则化等优化手段,有效提升了宝石识别的准确性和效率。
|
9天前
|
算法
基于大爆炸优化算法的PID控制器参数寻优matlab仿真
本研究基于大爆炸优化算法对PID控制器参数进行寻优,并通过Matlab仿真对比优化前后PID控制效果。使用MATLAB2022a实现核心程序,展示了算法迭代过程及最优PID参数的求解。大爆炸优化算法通过模拟宇宙大爆炸和大收缩过程,在搜索空间中迭代寻找全局最优解,特别适用于PID参数优化,提升控制系统性能。