敌兵布阵 HDU - 1166 easy

C国的死对头A国这段时间正在进行军事演习,所以C国间谍头子Derek和他手下Tidy又开始忙乎了。A国在海岸线沿直线布置了N个工兵营地,Derek和Tidy的任务就是要监视这些工兵营地的活动情况。由于采取了某种先进的监测手段,所以每个工兵营地的人数C国都掌握的一清二楚,每个工兵营地的人数都有可能发生变动,可能增加或减少若干人手,但这些都逃不过C国的监视。 
中央情报局要研究敌人究竟演习什么战术,所以Tidy要随时向Derek汇报某一段连续的工兵营地一共有多少人,例如Derek问:“Tidy,马上汇报第3个营地到第10个营地共有多少人!”Tidy就要马上开始计算这一段的总人数并汇报。但敌兵营地的人数经常变动,而Derek每次询问的段都不一样,所以Tidy不得不每次都一个一个营地的去数,很快就精疲力尽了,Derek对Tidy的计算速度越来越不满:"你个死肥仔,算得这么慢,我炒你鱿鱼!”Tidy想:“你自己来算算看,这可真是一项累人的工作!我恨不得你炒我鱿鱼呢!”无奈之下,Tidy只好打电话向计算机专家Windbreaker求救,Windbreaker说:“死肥仔,叫你平时做多点acm题和看多点算法书,现在尝到苦果了吧!”Tidy说:"我知错了。。。"但Windbreaker已经挂掉电话了。Tidy很苦恼,这么算他真的会崩溃的,聪明的读者,你能写个程序帮他完成这项工作吗?不过如果你的程序效率不够高的话,Tidy还是会受到Derek的责骂的. 
Input
第一行一个整数T,表示有T组数据。 
每组数据第一行一个正整数N(N<=50000),表示敌人有N个工兵营地,接下来有N个正整数,第i个正整数ai代表第i个工兵营地里开始时有ai个人(1<=ai<=50)。 
接下来每行有一条命令,命令有4种形式: 
(1) Add i j,i和j为正整数,表示第i个营地增加j个人(j不超过30) 
(2)Sub i j ,i和j为正整数,表示第i个营地减少j个人(j不超过30); 
(3)Query i j ,i和j为正整数,i<=j,表示询问第i到第j个营地的总人数; 
(4)End 表示结束,这条命令在每组数据最后出现; 
每组数据最多有40000条命令 
Output
对第i组数据,首先输出“Case i:”和回车, 
对于每个Query询问,输出一个整数并回车,表示询问的段中的总人数,这个数保持在int以内。 
Sample Input
1
10
1 2 3 4 5 6 7 8 9 10
Query 1 3
Add 3 6
Query 2 7
Sub 10 2
Add 6 3
Query 3 10
End 
Sample Output
Case 1:
6
33
59


模板题没什么好说的





#include<iostream>
#include<cstdio>
#include<string.h>
#include<math.h>
#include<string>
#include<map>
#include<set>
#include<vector>
#include<algorithm>
#include<queue>
#include<iomanip>
using namespace std;
const int INF = 0x3f3f3f3f;
const int NINF = 0xc0c0c0c0;
typedef long long ll;
const int maxn = 50010;
int num[maxn*2],segtree[maxn*4];
void build(int l,int r,int pos){
    if(r - l == 1){
        segtree[pos] = num[l];
        return ;
    }
    int mid = (l+r) / 2;
    build(l,mid,pos*2+1);
    build(mid,r,pos*2+2);
    segtree[pos] = segtree[pos*2+1]+segtree[pos*2+2]; 
}
void update(int k,int pos,int val){
    pos += k-1;
    segtree[pos] += val;
    while(pos != 0){
        pos = (pos-1) / 2;   //wa
        segtree[pos] = segtree[pos*2+1] + segtree[pos*2+2];
    }
}
int query(int l,int r,int ql,int qr,int pos){
    if(ql <= l && qr >= r) return segtree[pos];
    if(ql >= r || qr <= l) return 0;
    int mid = (l+r) / 2;
    return query(l,mid,ql,qr,pos*2+1)+query(mid,r,ql,qr,pos*2+2);
}
void print(int k){
    for(int i=0;i<k*2 - 1;i++){
        printf("%d ",segtree[i]);
    }
    printf("\n");
}
int main()
{
    int T;
    scanf("%d",&T);
    int cnt = 0;
    while(T--){
        int n;
        int k = 1;
        scanf("%d",&n);
        memset(num,0,sizeof(num));
        memset(segtree,0,sizeof(segtree));
        for(int i=0;i<n;i++){
            scanf("%d",&num[i]);
        }
        cnt++;
        printf("Case %d:\n",cnt);
        while(k < n) k <<= 1;
        build(0,k,0);
        //print(k);
        char words[10];
        while(1){
            getchar();
            scanf("%s",words);
            if(words[0] == 'E'){
                break;
            }
            if(words[0] == 'A'){
                int x,val;
                scanf("%d%d",&x,&val);
                x--;
                update(k,x,val);
            }
            if(words[0] == 'S'){
                int x,val;
                scanf("%d%d",&x,&val);
                x--;
                update(k,x,-val);
            }
            if(words[0] == 'Q'){
                int x,y;
                scanf("%d%d",&x,&y);
                x--;
                printf("%d\n",query(0,k,x,y,0));
            }
            //print(k);
        }
    }
}


【重要提示】本资源设置为0积分下载,若非0积分请勿轻易下载 亲爱的CSDN用户: 首先感谢你点进这个资源页面。我需要提前说明一个重要情况: 本资源原本已设置为“0积分下载”,即作者希望完全免费共享。但CSDN平台有时会根据文件的下载热度、文件大小、用户权限等因素,自动将部分资源的积分调整为非0数值(如1积分、2积分、5积分等)。这是平台系统的自动行为,而非作者本人的设定。 因此,如果你当前看到该资源的下载所需积分不是0(例如显示为1、2、3……),请谨慎决定是否下载。 如果你按照非0积分支付并下载后发现资源内容不符合预期、链接失效,或者实际上该资源本应是免费的,作者无法为此承担积分损失或退还操作。强烈建议:仅在页面显示为0积分时进行下载。 另外,本资源描述中并未直接提供具体的下载地址或外部链接,因为它本身是一个通过CSDN官方上传通道提交的文件/内容包。如果你看到描述中没有外部网盘地址,这是正常的——资源文件应通过CSDN内置的“下载”按钮获取。若因平台积分显示异常导致你支付了积分,请优先联系CSDN客服咨询积分退还政策,作者没有权限修改平台自动设定的积分值。 感谢你的理解与支持。技术分享本应开放,但受限于平台规则,特此提醒如上。祝学习进步!
内容概要:本文系统介绍了基于最小势能原理(即能量法)的物理信息神经网络(PINNs)在求解固体力学二维问题中的理论框架与应用实践,并提供了完整的PyTorch代码实现案例。该方法通过将物理系统的总势能泛函嵌入神经网络的损失函数中,利用深度学习框架直接求解满足控制方程和边界条件的位移场近似解,避免了传统数值方法对网格划分的依赖。文章重点剖析了基于变分原理的能量形式如何替代强形式偏微分方程构建损失项,提升了求解的稳定性与泛化能力。同时,研究对比了不同PINNs架构与训练策略在处理复杂几何形状、非均匀材料属性及非线性力学行为时的精度、收敛性与计算效率,验证了其在处理经典弹性力学问题(如平面应力/应变问题)中的有效性与潜力。配套代码便于读者复现结果并拓展至更广泛的工程应用场景。; 适合人群:具备一定深度学习基础和固体力学知识的研究生、科研人员及工程技术从业者,特别适用于从事计算力学、智能仿真、物理驱动建模、结构分析等方向的研究者。; 使用场景及目标:①掌握基于能量法的PINNs建模范式,理解其相较于传统有限元法的优势与局限;②研究物理信息神经网络在无网格求解复杂边界与非线性问题中的能力;③对比不同神经网络结构对求解精度与收敛速度的影响,推动PINNs在工程实际中的落地应用。; 阅读建议:建议读者结合所提供的PyTorch代码逐模块分析网络构建、能量泛函定义、边界条件施加及训练流程设计,深入理解物理约束与机器学习模型的融合机制,并鼓励在自定义问题中调整网络参数、采样策略与损失权重以优化性能。
【重要提示】本资源设置为0积分下载,若非0积分请勿轻易下载 亲爱的CSDN用户: 首先感谢你点进这个资源页面。我需要提前说明一个重要情况: 本资源原本已设置为“0积分下载”,即作者希望完全免费共享。但CSDN平台有时会根据文件的下载热度、文件大小、用户权限等因素,自动将部分资源的积分调整为非0数值(如1积分、2积分、5积分等)。这是平台系统的自动行为,而非作者本人的设定。 因此,如果你当前看到该资源的下载所需积分不是0(例如显示为1、2、3……),请谨慎决定是否下载。 如果你按照非0积分支付并下载后发现资源内容不符合预期、链接失效,或者实际上该资源本应是免费的,作者无法为此承担积分损失或退还操作。强烈建议:仅在页面显示为0积分时进行下载。 另外,本资源描述中并未直接提供具体的下载地址或外部链接,因为它本身是一个通过CSDN官方上传通道提交的文件/内容包。如果你看到描述中没有外部网盘地址,这是正常的——资源文件应通过CSDN内置的“下载”按钮获取。若因平台积分显示异常导致你支付了积分,请优先联系CSDN客服咨询积分退还政策,作者没有权限修改平台自动设定的积分值。 感谢你的理解与支持。技术分享本应开放,但受限于平台规则,特此提醒如上。祝学习进步!
打开链接下载源码: https://pan.quark.cn/s/a4b39357ea24 UG(Unigraphics)作为一种在机械工程设计与制造领域内被广泛应用的计算机辅助设计与制造(CAD/CAM)软件,其功能非常全面。在UG CAM模块中,后处理步骤占据着核心地位,其作用在于将UG系统生成的刀具路径转化为特定机床能够识别的NC(数控)代码。这一过程具有高度的定制性,目的是确保生成的NC代码与特定机床控制系统的语言规范和功能特性实现精确对接。标题所提及的“UG .车床后处理”具体指向的是UG CAM系统中针对车床加工需求的后处理流程。车床主要承担旋转工件的切削任务,能够对轴类、盘类零件的内外圆柱表面、圆锥表面、螺纹以及沟槽等复杂形状进行加工。后处理的核心任务是将UG设计的3D模型和刀具路径转化为实际车床能够执行的详细指令,这些指令涵盖了进给速度、主轴转速、刀具更换机制以及冷却液控制等多个方面。描述中标注的“FANUC和GSK980TD通用”表明该后处理程序适用于两种主流的数控系统,即FANUC系统和GSK980TD系统。FANUC作为全球知名的数控系统供应商,其产品被广泛应用于各类机床设备;GSK980TD则是由中国广州数控设备有限公司研发的一款普及型数控系统,常在中小型加工中心和车床上部署使用。标签“UG车床后处理”进一步明确了讨论焦点,即探讨如何通过定制和使用UG的后处理器来满足车床的NC编程需求。压缩包中的文件列表如下: 1. GSK980TDa.def:这个文件属于后处理定义文件,其中包含了UG后处理器配置的详细参数,例如机床参数、运动类型以及代码格式等。用户可以通过编辑此文件来调整后处理输出的NC代码,使其符合GSK980TD数控系统的使用要求。 ...
代码下载地址: https://pan.quark.cn/s/a4b39357ea24 是读写权限 不是读取存储权限 视频错了 快速开始(适合 Fork) 点击右上角 Fork 本仓库到你的 账号。 打开你的仓库,进入 Actions 页面,点击 Enable workflows(启用 Actions)。 无需其他配置, 默认的 _TOKEN 权限即可推送更新。 你可以手动点击 Run workflow,也可以等待每天定时自动检查。 注意:确保你的仓库默认分支为 main,否则推送时可能失败。 如果觉得这个项目对你有帮助,欢迎顺手点个 Star 支持一下! 功能介绍 每天自动检查 bia-pain-bache/BPB-Worker-Panel 仓库的最新 Release 支持选择更新正式版或预发布版本:通过手动触发或 文件配置 1是正式版 0是测试版本。 自动下载最新版本的 worker.js 重命名为 \_worker.js 同步更新本地 version.txt 自动提交并推送到本仓库 如果 文件不存在,将自动创建并默认设置为更新正式版。 更新成功后,自动复用或创建 Issue 进行通知。 工作流程 Actions 会每日 00:00(UTC 时间)自动运行: 检查 文件:如果文件不存在,会自动创建并写入 (表示正式版)。 根据 或手动输入确定更新类型(正式版或预发布版)。 获取上游仓库的最新 Release 版本号(根据所选类型)。 比较本地 version.txt 的记录。 若版本不同,则自动下载并替换 \_worker.js。 更新 version.txt。 自动提交并推送到主分支(main)。 如果 文件是自动创建的,也会一并提交到仓库。 如果更新成功并...
代码下载链接: https://pan.quark.cn/s/1584eba52518 在使用TensorFlow 2.x版本进行深度学习的过程中,有时可能会遭遇无法调用GPU的情况。本文主要研究了在TensorFlow 2.x(此处为2.2版本)中遇到GPU调用失败的一个具体解决途径,该问题可能源于库文件缺失或路径配置存在错误。 当执行`tf.test.is_gpu_available()`以检查GPU可用性时,返回`False`表明TensorFlow无法识别或访问GPU。在本例中,错误信息指出找不到`libcudnn.so.7`文件,这是CuDNN库的一个关键组成部分,用于加速深度学习运算。CuDNN是由NVIDIA开发的一个深度学习库,与CUDA协同工作,旨在优化TensorFlow在GPU上的性能表现。 通常,CuDNN应与CUDA版本保持一致。在这种情况下,服务器上安装的是CUDA 10.1,理论上与TensorFlow 2.2相容。然而,由于`libcudnn.so.7`文件缺失,导致了问题的出现。潜在的原因可能是CuDNN未正确安装或文件路径未被系统正确识别。 为解决这个问题,可以尝试以下步骤: 1. 首先核实CUDA和CuDNN是否已正确安装。在服务器的`/usr/local/cuda/lib64`目录下查找`libcudnn.so.7`文件。如果无法找到,说明CuDNN可能未正确安装或文件已丢失。 2. 下载与CUDA版本相匹配的CuDNN。由于在命令行下无法直接下载,可以在本地计算机上下载Linux版本的CuDNN `.tar.gz` 文件,然后通过SCP命令将其传输到服务器。 3. 在服务器上解压缩CuDNN文件,将解压后的`cuda`文...
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