c++ · 对结果二分

一:核心步骤:

1.确定答案的范围:找到最小可能值(left)和最大可能值(right);

2.二分查找:在left和right里面进行二分查找,每次取中间值mid;

3.bool check函数:用于判断mid是否可行;

(1):如果check返回true,说明这个mid可能是答案,调整搜素范围找更优解

(2):如果check返回false,说明mid不对,调整搜索范围

4.调整搜索范围:

根据(3)中check函数返回的结果,如果返回true,则更新right为mid(寻找更小的答案),反之,如果返回false,则更新left为(mid+1)(更大的答案);

例题:P2678 [NOIP 2015 提高组] 跳石头 - 洛谷

二:P2678复盘:

条件梳理:

l:从起点到终点的距离;n:n块石头;m:最多移走m块石头;stones:存放每个石头距离的数组

1:check函数参数x:在移走不超过m个石头下,假设最短跳跃距离为x;

ps:check函数的判断逻辑:

(1):遍历每一块石头,计算这一块石头与前一块的距离,如果是第一块,就是与起点的距离;

(2):定义计数器count,用于记忆一共移走了多少块石头;

(3):如果距离小于判断参数x,则移走,count++;如果大于等于,则不做操作;

(4):如果移走的数量count大于m,则返回false,反之返回true;

2:定义l,n,m三个变量以及存储每一块石头距离的数组为全局变量,以便check函数操作;

3:在main函数里面对答案二分,其中左指针(左边界)为0(起点),右指针(右边界)为l(全长);

ps:在不越界的范围内:如果返回true,则缩小范围继续找更优解,如果返回false,则改变范围找符合的值;

附代码:

#include <bits/stdc++.h>
using namespace std;
vector<int> stones;
int l = 0, n = 0, m = 0;
// l:起点到终点的距离,n:石头数量;m:最多移走的石头数量
bool check(int x)
{
	int last = 0;// 初始化last为起点,for循环中从第一块石头减去起点开始
	int num = 0;// 初始化移走石头的数量
	for (int i = 0; i < n; i++) // 遍历每一块石头
	{
		if (stones[i] - last < x)
		{
			num++;
		}
		else
		{
			last = stones[i];
		}
		if (num > m)
			return false;
	}
	// 检查终点与最后一个岩石;
	if (l - last < x)
		num++;
	return num <= m;
}
int main()
{
	cin >> l >> n >> m;
	stones.resize(n);
	for (int i = 0; i < n; i++)
		cin >> stones[i];
	// 输入完毕,开始计算
	sort(stones.begin(), stones.end()); // 确定石头是按距离排序
	int left = 0, right = l;			// 初始化二分答案的左右边界
	// 左边界为起点,右边界为终点到起点的距离l;
	// 左右指针说明了答案可能的范围,最小为0,最大为l
	int ans = 0; // 初始化答案
	while (left <= right)
	{
		int mid = left + (right - left) / 2; // 计算中间值
		if (check(mid))
		{
			ans = mid;
			left = mid + 1;//比mid小的值一定符合,所以在更大值的范围里面找
		}
		else
		{
			right = mid - 1;//比mid更大的值一定不符合,所以在更小值的范围里找
		}
	}
	cout << ans << endl;
	return 0;
}

<think>首先,用户的问题是关于二分答案算法的原理和使用场景。用户明确说:“我想查找关于二分答案算法的解释和应用 请问二分答案算法原理及使用场景”。所以,我需要专注于二分答案算法的解释和应用。 从系统级指令中,我需要: - 所有行内数学表达式使用$...$格式。 - 独立公式使用$$...$$格式并单独成段。 - LaTeX语法正确。 - 使用中文回答。 - 生成相关问题。 - 在回答中引用的段落末尾自然地添加引用标识,如[^1]。 - 回答结构清晰,帮助用户逐步解决问题,尽量保证回答真实可靠。 用户提供了三个引用,但这些引用是关于二分查找算法的,而不是直接关于二分答案算法的。引用[1]、[2]、[3]都提到二分查找,但引用[2]的标题是“CSP-J 算法基础 二分查找与二分答案”,所以它可能包含二分答案的内容。引用[3]的标题是“二分查找算法的原理和应用场景”,但用户说“二分答案”,所以我需要区分二分查找和二分答案。 回顾用户的问题:“二分答案算法原理及使用场景”。二分答案是一种算法技术,常用于解决优化问题,其中我们猜测一个答案,然后检查它是否可行,使用二分搜索来高效地找到最优解。 我的回答结构应该清晰。我可以这样组织: 1. **介绍二分答案算法**:解释什么是二分答案算法。 2. **原理**:详细说明算法的工作原理,包括数学表达式。 3. **使用场景**:描述常见的应用场景。 4. **示例**:提供一个简单的代码示例或伪代码来演示。 5. **相关问题**:生成相关问题。 由于用户要求生成相关问题,我需要添加一个“相关问题”部分。 现在,关于引用:用户提供了引用,但它们不是用户真正的需求的一部分。指令说:“上述引用仅供参考,并不是用户真正的需求,请尽可能多的参考用户上一次的问题和你的回答。” 但在这个上下文中,用户没有上一次的问题;这是第一次交互。所以,我应该基于引用中的信息,但聚焦于二分答案。 引用[2]提到“二分答案”,所以我可以在回答中引用它。例如,在解释时,自然地添加引用标识。 关键点: - **二分答案原理**:在优化问题中,我们有一个函数 f(x) 表示某个指标,我们想找到满足某些条件的最小或最大 x。使用二分搜索在可能的答案范围内搜索。例如,检查一个值 mid,如果可行,则调整搜索范围。 数学表达式:例如,对于一个函数 f(x),我们想找到最小的 x 使得 f(x) >= k。那么,我们可以定义左边界 L 和右边界 R,然后 while L < R,计算 mid = (L + R) / 2,如果 f(mid) >= k,则 R = mid,否则 L = mid + 1。最后,L 就是答案。 - **使用场景**:常见于问题如“最小化最大值”或“最大化最小值”,例如在分配问题、调度问题、资源分配等。具体例子:在背包问题中找最大价值、在数组中找最小缺失数、在图中找最短路径的最大边权等。 现在,回答结构: 1. **引言**:简要介绍二分答案算法。 2. **原理详解**:解释步骤,包括数学公式。 3. **应用场景**:列出几个常见场景。 4. **代码示例**:提供简单的代码(如Python)来演示。 5. **相关问题**:生成相关问题。 在代码部分,使用代码块格式。 最后,生成相关问题:例如,关于优化、变体等。 确保语言为中文。 添加引用:例如,在提到原理时,如果基于引用[2],可以加[^2]。 引用[2]的标题是“CSP-J 算法基础 二分查找与二分答案”,所以我可以引用它。 现在,草拟回答。</think>### 二分答案算法原理及使用场景详解 二分答案算法是一种高效的优化技术,常用于解决“最小值最大化”或“最大值最小化”类问题。它基于二分查找的思想,通过不断缩小答案的可能范围,快速找到满足特定条件的最优解。与标准二分查找(用于在有序数组中查找元素)不同,二分答案应用于更广泛的优化场景,其中我们猜测一个候选答案,检查其可行性,然后调整搜索范围。下面我将逐步解释其原理、使用场景,并提供一个代码示例,帮助您全面理解。 #### 1. 二分答案算法原理 二分答案的核心思想是将一个优化问题转化为对答案二分搜索。假设我们有一个函数 \( f(x) \) 表示某种指标(如成本、时间或资源),目标是找到最小或最大的 \( x \) 值,使得 \( f(x) \) 满足给定的约束条件(例如,\( f(x) \geq k \) 或 \( f(x) \leq k \))。算法步骤如下: - **初始化搜索范围**:确定答案的可能范围,通常设置左边界 \( L \)(最小值)和右边界 \( R \)(最大值)。例如,在资源分配问题中,\( L \) 和 \( R \) 可能表示资源的最小和最大可能值。 - **迭代搜索**:通过二分法不断缩小范围: 1. 计算中点值:\( \text{mid} = \left\lfloor \frac{L + R}{2} \right\rfloor \)。 2. **检查可行性**:使用一个辅助函数 \( \text{check}(\text{mid}) \) 判断 \( \text{mid} \) 是否满足问题约束(例如,是否可行)。如果可行,说明答案可能更小(或更大,取决于问题),调整边界;否则,向反方向调整。 3. **更新边界**: - 如果目标是**最小化** \( x \)(例如,找最小满足条件的值),且 \( \text{check}(\text{mid}) \) 为真,则设置 \( R = \text{mid} \)(因为答案在左半部分);否则,设置 \( L = \text{mid} + 1 \)。 - 如果目标是**最大化** \( x \)(例如,找最大满足条件的值),且 \( \text{check}(\text{mid}) \) 为真,则设置 \( L = \text{mid} \);否则,设置 \( R = \text{mid} - 1 \)。 - **终止条件**:当 \( L < R \) 时继续迭代;循环结束时,\( L \)(或 \( R \))即为最优解。 数学上,这个过程可以表示为对单调函数的二分搜索。例如,对于最小化问题,如果 \( f(x) \) 是单调非减函数,则算法保证在 \( O(\log(\text{range})) \) 时间内找到解,其中 \( \text{range} = R - L \) 是初始范围。二分答案的高效性源于其对数级时间复杂度,远优于暴力搜索的线性时间[^2]。 #### 2. 使用场景 二分答案算法广泛应用于需要优化“阈值”的问题中,特别是在约束条件下寻找最优解。常见场景包括: - **资源分配问题**:例如,在任务调度中,最小化最大完成时间(即“最小化最大值”)。假设有 \( n \) 个任务和 \( m \) 台机器,目标是分配任务使最长机器的运行时间最小。二分答案用于猜测最大时间 \( T \),并检查是否能在 \( T \) 时间内完成所有任务。 - **网络与图论**:在图中寻找最短路径的最大边权(例如,“最小化最大边权”问题),或判断是否存在路径满足最大延迟不超过某个值。二分答案通过猜测边权阈值,并检查图的连通性来实现。 - **数值优化**:如寻找满足条件的最小整数解,例如在数组中找第一个缺失的正整数,或求解方程 \( x^2 \geq k \) 的最小整数 \( x \)。 - **实际应用**:在算法竞赛和工程中,如CSP-J(信息学竞赛)中的问题,二分答案常用于处理数据范围大的优化任务,因为它能将时间复杂度从 \( O(n^2) \) 降低到 \( O(n \log n) \) 或更好[^2]。 这些场景的共同点是问题具有单调性:即如果某个值 \( x \) 可行,则所有更大(或更小)的值也可能可行,这使二分搜索有效。 #### 3. 代码示例 以下是一个简单的Python示例,演示二分答案算法求解“最小化最大值”问题:给定一个数组和一个整数 \( k \),将数组分成 \( k \) 个连续子数组,使得最大子数组和最小化。 ```python def check(mid, nums, k): """检查是否能在最大子数组和不超过mid的情况下,将数组分成k个子数组""" count = 1 # 当前子数组数量 current_sum = 0 for num in nums: if current_sum + num <= mid: current_sum += num else: count += 1 current_sum = num if count > k: # 如果子数组数量超过k,则不可行 return False return True def binary_search_answer(nums, k): """使用二分答案找到最小化最大子数组和""" L = max(nums) # 左边界:单个元素的最大值 R = sum(nums) # 右边界:整个数组的和 while L < R: mid = (L + R) // 2 if check(mid, nums, k): R = mid # 可行,尝试更小的值 else: L = mid + 1 # 不可行,增大值 return L # 最优解 # 示例使用 nums = [7, 2, 5, 10, 8] k = 2 result = binary_search_answer(nums, k) print(f"最小化最大子数组和为: {result}") # 输出: 18 ``` **代码说明**: - `check` 函数验证候选值 `mid` 是否可行(即能否将数组分成 `k` 个子数组,每个和不超过 `mid`)。 - `binary_search_answer` 函数实现二分搜索:初始化边界后,迭代调整直到找到最小可行的 `mid`。 - 时间复杂度为 \( O(n \log(\text{sum(nums)})) \),高效处理大数组。 #### 4. 注意事项 - **单调性要求**:二分答案要求可行性函数具有单调性(例如,如果 \( x \) 可行,则所有 \( y > x \) 也可行)。如果问题不满足单调性,算法可能失败。 - **边界处理**:初始边界 \( L \) 和 \( R \) 的选择需覆盖所有可能解,避免遗漏。 - **性能优势**:在数据规模大时(如 \( n \geq 10^5 \)),二分答案通常比动态规划或贪心算法更高效[^3]。 通过以上解释,您应该对二分答案算法有了清晰理解。如果您有具体问题或更多细节需求,请随时补充!
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