基础算法-差分

简介: 基本思路差分和前缀和是互为逆运算的关系。

基本思路

差分和前缀和是互为逆运算的关系。


假设现在存在一个数组 a[1]、a[2] …… a[n],构造 b[1]、b[2] …… b[n] 使得 a[i] = b[1] + b[2] + …… + b[i]。即 a 是 b 的前缀和。例如具体构造方法为:b[1] = a[1] ;b[2] = a[2] - a[1] ;b[3] = a[3] - a[2] 直到 b[n] = a[n] - a[n-1]。


  • 只要有 b 数组,就可以在极短的时间内求得 a 数组。
  • 当需要让一段 a 数组 [l,r] 同时加上一个数 c ,在 b[l] 在上 c ,在 b[r+1] 减上 c 即可。时间复杂度为 O(1)


题目描述

输入一个长度为 n 的整数序列。

接下来输入 m 个操作,每个操作包含三个整数 l,r,c,表示将序列中 [l,r] 之间的每个数加上 c。

请你输出进行完所有操作后的序列。


输入格式

第一行包含两个整数 n 和 m。

第二行包含 n 个整数,表示整数序列。

接下来 m 行,每行包含三个整数 l,r,c,表示一个操作。


输出格式

共一行,包含 n 个整数,表示最终序列。

数据范围

1 ≤ n,m ≤ 100000

1 ≤ l ≤ r ≤ n

−1000 ≤ c ≤ 1000

−1000 ≤ 整数序列中元素的值 ≤ 1000


输入样例

6 3

1 2 2 1 2 1

1 3 1

3 5 1

1 6 1

输出样例

3 4 5 3 4 2


具体实现

代码注解


全局变量定义的数组初始值均为 0 。

for (int i = 1; i <= n; i ) insert(i, i, a[i]); 假定a数组最开始都是0,那么b数组初始时就是a数组的差分数组了,对于每一个a[i],相当于插入了一个数,可以直接调用insert函数即可。对此,也可以从差分数组的定义出发,将 insert(i, i, a[i]) 替换为 b[i] = a[i] - a[i-1] ,前者是将 a 数组全当成 0 ,读入 a[i] 后再插入 ,后者是把读入后的当作 a 数组。

两个数组没有时时联动关系,对某一数组操作以后需要通过手动操作同步


实现代码

#include <bits/stdc++.h>
using namespace std;
const int N = 100010;
int n, m;
int a[N], b[N];
void insert(int l, int r, int c)
{
    b[l] += c;
    b[r + 1] -= c;
}
int main()
{
    cin>>n>>m;
    for (int i = 1; i <= n; i ++ )
    {
        cin>>a[i];
    }
    for (int i = 1; i <= n; i ++ )
    {
        insert(i, i, a[i]);
    }
    while (m -- )
    {
        int l, r, c;
        cin>>l>>r>>c;
        insert(l, r, c);
    }
    for (int i = 1; i <= n; i ++ )
    {
        b[i] += b[i - 1];
    }
    for (int i = 1; i <= n; i ++ )
    {
        cout<<b[i]<<" ";
    }
    system("pause");
    return 0;
}






















相关文章
|
3月前
|
机器学习/深度学习 传感器 算法
【高创新】基于优化的自适应差分导纳算法的改进最大功率点跟踪研究(Matlab代码实现)
【高创新】基于优化的自适应差分导纳算法的改进最大功率点跟踪研究(Matlab代码实现)
281 14
|
3月前
|
机器学习/深度学习 边缘计算 分布式计算
基于差分进化算法的微电网调度研究(Matlab代码实现)
基于差分进化算法的微电网调度研究(Matlab代码实现)
166 1
|
6月前
|
机器学习/深度学习 算法
基于差分进化灰狼混合优化的SVM(DE-GWO-SVM)数据预测算法matlab仿真
本项目实现基于差分进化灰狼混合优化的SVM(DE-GWO-SVM)数据预测算法的MATLAB仿真,对比SVM和GWO-SVM性能。算法结合差分进化(DE)与灰狼优化(GWO),优化SVM参数以提升复杂高维数据预测能力。核心流程包括DE生成新种群、GWO更新位置,迭代直至满足终止条件,选出最优参数组合。适用于分类、回归等任务,显著提高模型效率与准确性,运行环境为MATLAB 2022A。
|
9月前
|
机器学习/深度学习 算法 机器人
强化学习:时间差分(TD)(SARSA算法和Q-Learning算法)(看不懂算我输专栏)——手把手教你入门强化学习(六)
本文介绍了时间差分法(TD)中的两种经典算法:SARSA和Q-Learning。二者均为无模型强化学习方法,通过与环境交互估算动作价值函数。SARSA是On-Policy算法,采用ε-greedy策略进行动作选择和评估;而Q-Learning为Off-Policy算法,评估时选取下一状态中估值最大的动作。相比动态规划和蒙特卡洛方法,TD算法结合了自举更新与样本更新的优势,实现边行动边学习。文章通过生动的例子解释了两者的差异,并提供了伪代码帮助理解。
744 2
|
人工智能 算法 JavaScript
【算法】前缀和与差分
算法学习——前缀和与差分(含一维和二维)
198 4
【算法】前缀和与差分
|
人工智能 算法 BI
一篇带你速通差分算法(C/C++)
一篇带你速通差分算法(C/C++)
|
算法 C++
c++算法学习笔记 (5)前缀和+差分
c++算法学习笔记 (5)前缀和+差分
|
人工智能 移动开发 算法
算法基础:前缀和与差分
算法基础:前缀和与差分
193 1
算法基础:前缀和与差分
|
人工智能 算法 BI
【算法基础】基础算法(二)--(高精度、前缀和、差分)(下)
【算法基础】基础算法(二)--(高精度、前缀和、差分)(下)
|
存储 算法 索引
【算法基础】基础算法(二)--(高精度、前缀和、差分)(上)
【算法基础】基础算法(二)--(高精度、前缀和、差分)(上)