[2401MT-F] 青藤静掩的愁闷

2401MT-F 青藤静掩的愁闷

题目描述

Z 有一个缤纷的边长为 nnn 的正方形网格,每个网格都有自己的颜色,颜色用一个非负整数表示,一开始所有网格的颜色都是 000,Z 最近暴风骤雨,于是这个网格上便有了许多颜色的冲击,每个冲击用三个整数 (i,j,c)(i,j,c)(i,j,c) 表示,表示在第 iii 行的第 jjj 个格子上出现了一次颜色为 ccc 的冲击,其中 (i,j)(i,j)(i,j) 是这个冲击的中心。

一共有 mmm 秒,每秒会发生以下两个事件中的一个:

  1. 在这一秒产生了一个新的颜色冲击 (i,j,c)(i,j,c)(i,j,c),这个冲击的产生时间即为这一秒。
  2. Z 想问你现在他的网格中一共有多少种颜色。

对于第 xxx 秒产生的冲击,会在第 x+tx+tx+t 秒将与这个冲击的中心距离小于等于 ttt 的网格都变为这个冲击的颜色,若同一个格子同时受到多个冲击的影响,这个格子的颜色与影响到它的所有冲击中产生时间即该冲击的中心处产生冲击的时间 )最的冲击的颜色相同。

例如假设现在有两个冲击分别在第 111 秒和第 333 秒产生,对应,在第 555 秒时,前一个冲击会对与其中心距离为 0,1,2,3,40,1,2,3,40,1,2,3,4(此时这个冲击刚传播 444 秒)的所有格子产生影响,后一个冲击会对与其中心距离为 0,1,20,1,20,1,2 的所有格子产生影响,对于没有被两个冲击影响的格子,颜色为 000,对于被其中一个冲击影响的格子,颜色为对应的冲击的颜色,对于被两个冲击影响的格子,其颜色与前一个冲击相同(因为前一个冲击的产生时间 是第 111 秒,早于后一个冲击的产生时间 也就是第 333 秒)。

注意,这里提到的距离是曼哈顿距离,也就是格子 (i,j)(i,j)(i,j) 与格子 (x,y)(x,y)(x,y) 之间的距离为 ∣x−i∣+∣y−j∣|x-i|+|y-j|∣x−i∣+∣y−j∣。

每当 Z 询问你他的网格中有多少种颜色时,请输出一行一个整数表示你的答案。

输入格式

第一行两个整数 n,mn,mn,m,分别表示 Z 的网格大小和总共的秒数。

接下来 mmm 行,每行是以下两种情况之一:
1 i j c,表示出现了一个新的颜色冲击,中心在 (i,j)(i,j)(i,j),颜色为 ccc。
2,表示 Z 询问你网格中有多少种颜色。

输出格式

对于每个 Z 的询问,请输出一行一个整数表示你的答案。

样例 #1

样例输入 #1

复制代码
10 5
2
1 5 7 2
2
1 5 4 5
2

样例输出 #1

复制代码
1
2
3

样例 #2

样例输入 #2

复制代码
6 8
2
1 4 3 4
2
1 2 6 6
2
1 6 6 3
2
2

样例输出 #2

复制代码
1
2
3
4
2

提示

对于 10%10\%10% 的测试数据,满足所有的事件类型为 222。

对于另外 10%10\%10% 的测试数据,满足 c=1c=1c=1。

对于另外 30%30\%30% 的测试数据,满足 n,m≤30n,m\le 30n,m≤30。

对于另外 30%30\%30% 的测试数据,满足 n,m≤100n,m\le 100n,m≤100。

对于 100%100\%100% 的测试数据,满足 1≤n≤150,1≤m≤2×104,1≤c≤m,1≤i,j≤n1\le n\le 150,1\le m\le 2\times 10^4,1\le c\le m,1\le i,j\le n1≤n≤150,1≤m≤2×104,1≤c≤m,1≤i,j≤n。

相关推荐
致Great1 小时前
Pi 的上下文压缩,到底是怎么工作的?
算法
watersink2 小时前
机器学习聚类算法
算法·机器学习·聚类
luj_17683 小时前
桥牌思维启示:系统设计的模块化架构
c语言·开发语言·c++·经验分享·算法
会周易的程序员3 小时前
aiDgePLC iec61131 虚拟机 完整使用文档
c++·物联网·架构·st·iec61131
小小龙学IT4 小时前
Boost.Beast 深度实战:基于 Asio 的开源 C++ HTTP/WebSocket 协议库
c++·websocket·http
饼饼学习空间智能4 小时前
家庭服务机器人训练数据怎么积累?仿真、真实采集与持续学习的技术路线分析
人工智能·算法·机器学习
不可求~5 小时前
C++ std::string_view 不是字符串:从悬空引用到安全用法
java·开发语言·c++
小小龙学IT6 小时前
C++ 正则表达式完全指南:从 std::regex 实战到 RE2 引擎原理(NFA/DFA/回溯陷阱)
c++·正则表达式
蛋先生DX6 小时前
你瘦不下来但大模型可以:量化原理了解一下
深度学习·算法·llm