2021牛客暑期多校训练营3B

本文讲述了矩阵染色问题的解决方案,通过构造2*2小矩阵染色规则,得出选择一列全选再逐列选一个点的策略,并进一步分析得出问题本质为求解最小生成树。作者采用并查集实现最小生成树算法,最终通过遍历所有点的权值构建边并求解。同时提及了群友提出的DSU+二分图解法,但未深入探讨。

题目

题意:矩阵,n行m列(5e3),点有权在1e5以内,2*2小矩阵染三另一免费,求全染权和;

我:四个方向DP一下吧,应该没错吧,怎么这么多人wa,通过率血马低,不对劲,开始换做法。
一个半小时后,终于yy出来了:

2*2小矩阵染三另一免费
这是唯一一个约束,那易想到一个万能解法,那就是选一列全选了,然后之后每一列都选一个点,剩下的点都是免费的,那么一共选了n+m-1个点;显然这个并不是最优解,因为没有考虑点权。
继续yy:
(i,j),(i+1,j),(i,j+1)都选了,
那么第四个点就能取了,考虑性质连通性,显然可以建立行列联通思想.
于是 定义(i,j)表示存在一条i-j的边,权值为点权; 至此豁然开朗,那么为什么i+1和j+1免费了,因为第i+1行和第i行联通,第i行和第j列联通,第j列和第j+1列联通。
大为震撼,现在验算一下:
如果选了若干点,但是不满足上面的条件能免费吗,显然是不能的,最后得出来就是把n行和m列全部勾连起来,剩下的点全部全部全部全部免费!

所以:这个题就是有n+m个点,有n*m条边,求MST,做完了;

做完之后一看群,群友竟然还有dsu+二分图做法;我一看所有的边的的确确就是链接一个二分图,左边是n行,右边是m列,中间是(i,j)边

不过我对dsu思想仍未涉及多深,故不做分析,仅仅使用最小生成树做法做,是完全简单且直接的。
最后贴上简单得不能简单的代码:

const int maxn = 5e3+10;
struct node{int x,y,z;};
node t[maxn*maxn];
int fa[maxn*2];
int getfa(int k){return fa[k]==k?k:(fa[k] = getfa(fa[k]));}
void _merge(int x,int y)
{
    int a = getfa(x);
    int b = getfa(y);
    fa[a] = fa[b];
}
int cnt =0;
vector<pii >tong[100010];
int main()
{
	int n,m,a,b,c,d,p;
	scanf("%d %d %d %d %d %d %d",&n,&m,&a,&b,&c,&d,&p);
	for(int i=1;i<=n+m;++i)fa[i] = i;
	t[0].z=a;
	for(int i=1;i<=n;i++)
    {
		for(int j=1;j<=m;j++)
        {
			cnt++;
			t[cnt].x=i;
			t[cnt].y=n+j;//列编号是n+j;
			t[cnt].z=((ll )t[cnt-1].z*t[cnt-1].z*b+(ll )t[cnt-1].z*c+d)%p;
		//	printf("%d %d %d\n",t[cnt].x,t[cnt].y,t[cnt].z);
			tong[t[cnt].z].push_back((pii ){i,n+j});
		}
	}
	//
	ll ans =0,tot=0;
	for(int i =0;i<p;++i)
    {
       // printf("%d\n",tong[i].size());
        for(int j = 0;j<tong[i].size();++j)
        {
            if( getfa(tong[i][j].X)!=getfa(tong[i][j].Y) )
            {
               // printf("%d %d %d %d\n",i,j,tong[i][j].X,tong[i][j].Y);
                ans+=i;
                _merge(tong[i][j].X,tong[i][j].Y);
                ++tot;
                if(tot==n+m-1)break;
            }
        }
        if(tot==n+m-1)break;
    }
    printf("%lld\n",ans);

	return 0;
}
内容概要:本文详细介绍了一个基于Java和Vue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,并结合差分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Java和Vue开发基础,熟悉Spring Boot、RESTful API、分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、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;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 个个体作为父方和母方。 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。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
### 暑期训练营的适合水平分析 暑期训练营是一项面向算法竞赛爱好者的系列比赛,主要目的是为选手提供一个练习和提升的机会[^1]。该训练营通常吸引了来自全国各地的编程爱好者以及准备参加 ACM-ICPC 或其他算法竞赛的学生参与。根据以往的经验,以下是对适合水平的详细分析: #### 1. **基础要求** 训练营中的题目难度跨度较大,从入门级到高难度均有覆盖。对于新手选手来说,如果具备一定的算法基础(如掌握基本的数据结构、排序算法、搜索算法等),可以尝试参与并从中学习[^2]。 #### 2. **中级选手** 中级水平的选手通常已经熟练掌握了常见的算法模板,例如动态规划、图论(最短路径、最小生成树等)、字符串匹配等。这类选手可以通过训练营中的中等难度题目进一步巩固知识,并挑战更高难度的问题以提升能力[^3]。 #### 3. **高级选手** 高级水平的选手通常是 ACM-ICPC 区域赛或更高级别比赛的参赛者。他们能够快速解决大部分常规问题,并专注于研究复杂算法和优化技巧。对于这些选手,训练营是一个检验自身实力、发现不足的好机会[^4]。 #### 4. **团队协作能力** 值得注意的是,训练营不仅考察个人能力,还强调团队合作的重要性。许题目需要名队员分工合作才能高效完成。因此,即使是高水平的个人选手,也需要通过训练营来磨练与队友的配合能力[^5]。 ```python # 示例代码:计算最短路径(Dijkstra算法) import heapq def dijkstra(graph, start): n = len(graph) dist = [float(&#39;inf&#39;)] * n dist[start] = 0 heap = [(0, start)] while heap: d, u = heapq.heappop(heap) if d > dist[u]: continue for v, w in graph[u]: if dist[u] + w < dist[v]: dist[v] = dist[u] + w heapq.heappush(heap, (dist[v], v)) return dist ``` 上述代码展示了图论中经典的 Dijkstra 算法实现,这是训练营中可能出现的基础知识点之一。 ---
评论 1
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