牛客小黑月赛 F - 孤独的树

本文介绍了一种算法,通过动态规划解决给定树结构中,如何通过最少的操作次数消除节点的质因子,使得相邻节点变得互质。关键步骤包括转移方程和深度优先搜索。

链接:F - 孤独的树

题意:

给定一棵树,每次操作可以消去一个节点权值的质因子,求最小操作次数,使得树上相邻节点互质。

做法:

质因子之间互不影响,所以是可以分开看的。
如果只考虑消去某个质因子 k ,d[i][0]为不操作这个节点,使得其与子节点互质,d[i][1]为操作这个节点,使得与子节点互质。
就有转移方程:

d[x][0] += d[y][1];
d[x][1] += min(d[y][0], d[y][1]);
d[x][1] += calc(a[x], k);

从1~n遍历所有节点,如果a[i]不为1的话,就一定有可去除的质因子,那就以i为根开始进行dp,一边dp一边消去这个质因子就好了。

#include <bits/stdc++.h>
#define int long long
using namespace std;
const int N = 1e6 + 5, mod = 1e9 + 7;
int p[N];
int f[N];
int init(int n)
{
    int cnt = 0;
    for (int i = 2; i <= n; i++)
    {
        if (f[i] == 0)
        {
            f[i] = i;
            p[++cnt] = i;
        }
        for (int j = 1; j <= cnt; j++)
        {
            if (p[j] > f[i] || p[j] * i > n) break;
            f[i * p[j]] = p[j];
        }
    }
    return cnt;
}

vector<int> v[N];
int d[N][2], a[N];
int calc(int &n, int p)
{
    int ret = 0;
    while(n % p == 0)
    {
        n /= p;
        ret++;
    }
    return ret;
}
void dfs(int x, int fa, int p)
{
    d[x][0] = d[x][1] = 0;
    for (auto i : v[x])
    {
        int y = i;
        if (y == fa) continue;
        if (a[y] % p) continue; 
        dfs(y, x, p);
        d[x][0] += d[y][1];
        d[x][1] += min(d[y][0], d[y][1]);
    }
    d[x][1] += calc(a[x], p);
}
void solve()
{
    int n;
    cin >> n;
    for (int i = 1; i <= n; i++) scanf("%lld", &a[i]);
    for (int i = 1; i <= n - 1; i++)
    {
        int x, y;
        scanf("%lld%lld", &x, &y);
        v[x].emplace_back(y);
        v[y].emplace_back(x);
    }
    init(100000);
    int ans = 0;
    for (int i = 1; i <= n; i++)
    {
        while(a[i] > 1)
        {
            dfs(i, 0, f[a[i]]);
            ans += min(d[i][0], d[i][1]);
        }
    }
    cout << ans;
}
signed main()
{
    int tt = 1;
    // cin >> tt;
    while (tt--) solve();
    return 0;
}
基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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