乘积和,51nod1777,凸包上三分

本文探讨了一种利用三分法求解最优代价的算法问题。通过观察特定式子,将其转化为斜率形式,并利用三分法在凸包上寻找产生最大贡献的点。代码示例展示了如何实现这一算法,包括读取输入、计算累积和、维护凸包以及最终求解最优解的过程。

正题

      Portal

      首先可以列出一条式子,无论是把他放在前面还是后面,都满足:若x放在y前面,就有代价=sum[x-1]-sum[y-1]-(x-y)*a[x]

      这个可以自己验算一下,在做题的时候我直接把这个东西拆开来,就变成了一个类似整体减去一个值,再求最大后缀的问题,那个问题是不能poly log解决的,很麻烦。

      结果看了题解,发现这个很简单,因为观察上面的式子,可以发现不能确定的只有-sum[y-1]+a[x]*y,那么这个东西若令f[x]=max(a[x]y-sum[y-1]),就是一个斜率的形式,产生贡献的点就在凸包上面了,由于-a[x]不是单调的,于是可以三分了。

#include<cstdio>
#include<cstdlib>
#include<cstring>
#include<iostream>
using namespace std;

const int N=200010;
int n,a[N];
long long sum[N];
struct node{
	long long x,y;
}sta[N];
int top=0;

void read(int&x){
	char ch=getchar();x=0;
	int f=1;
	while(ch<'0' || ch>'9') {if(ch=='-') f=-1;ch=getchar();}
	while(ch>='0' && ch<='9') x=x*10+ch-'0',ch=getchar();
	x*=f;
}

long long get_x(node a,node b,node c){
	long long x1=b.x-a.x,y1=b.y-a.y,x2=c.x-a.x,y2=c.y-a.y;
	return x1*y2-x2*y1;
}

long long get_value(int x,int y){
	if(y==0) return 0;
	return sum[x-1]-1ll*a[x]*x+sta[y].y+a[x]*sta[y].x;
}

long long get_max(int x){
	int l=1,r=top;
	int ans=0;
	while(l<r){
		int op=r-l,mid1=l+op/3,mid2=l+op*2/3;
		long long v1=get_value(x,mid1),v2=get_value(x,mid2);
		if(v1<v2) l=mid1+1;
		else if(v1>v2) r=mid2-1;
		else ans=mid1,l=mid1+1,r=mid2-1;
	}
	return max(get_value(x,ans),get_value(x,l));
}

int main(){
	long long tot=0;
	read(n);
	for(int i=1;i<=n;i++) read(a[i]),sum[i]=sum[i-1]+a[i],tot+=1ll*i*a[i];
	sta[++top]=(node){1,-sum[0]};
	sta[++top]=(node){2,-sum[1]};
	for(int i=3;i<=n+1;i++){
		node X=(node){i,-sum[i-1]};
		while(top>=2 && get_x(sta[top-1],sta[top],X)>=0) top--;
		sta[++top]=X;
	}
	long long ans=0;
	for(int i=1;i<=n;i++)
		ans=max(ans,get_max(i));
	printf("%lld",tot+ans);
}

 

内容概要:本文详细介绍了一个基于JavaVue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定JavaVue开发基础,熟悉Spring Boot、RESTful API、布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差隐私)与模型聚合技术的集成;③构建高安全、可扩展的布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方的例子。 简单的平方问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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