LOJ #2551. 「JSOI2018」列队

题意

iii 个人有一个所在坐标 aia_iai,每次将 i∈[l,r]i \in [l,r]i[l,r] 一一对应地分配到区间 [K,K+r−l][K, K + r - l][K,K+rl] 中,第 iii 个人分配到坐标 xxx 的花费是 ∣ai−x∣|a_i - x|aix。求最小总花费。

Soulution

根据贪心的思想,易证最优方案是将 al∼ara_l \sim a_ralar 按坐标进行排序,然后在区间中从小到大进行分配。
考虑计算答案。便于计算,我们思考如何将花费中的绝对值去掉,发现有一部分人是往左走,贡献为 ai−xa_i - xaix,有一部分人往右走,贡献为 x−aix - a_ixai
由于答案具有单调性,我们可以对 al∼ara_l \sim a_ralar 进行二分。
用主席树维护权值和,在主席树上二分答案。
由于一段连续区间是等差数列,所以我们可以直接计算答案。

Code

//Dlove's template
#include <algorithm>
#include <cstdio>
#include <cmath>
#include <cstdlib>
#include <cstring>
#include <ctime>
#include <iostream>
#include <map>
#include <queue>
#include <set>
#include <stack>
#include <vector>

#define R register
#define ll long long
#define ull unsigned long long
#define db double
#define ld long double
#define sqr(_x) ((_x) * (_x))
#define Cmax(_a, _b) ((_a) < (_b) ? (_a) = (_b), 1 : 0)
#define Cmin(_a, _b) ((_a) > (_b) ? (_a) = (_b), 1 : 0)
#define Max(_a, _b) ((_a) > (_b) ? (_a) : (_b))
#define Min(_a, _b) ((_a) < (_b) ? (_a) : (_b))
#define Abs(_x) (_x < 0 ? (-(_x)) : (_x))

using namespace std;

namespace Dntcry
{
	//char Bs[1 << 22], *Ss = Bs, *Ts = Bs;
	//#define getchar() (Ss == Ts && (Ts = (Ss = Bs) + fread(Bs, 1, 1 << 22, stdin), Ss == Ts) ? EOF : *Ss++) 
	inline int read()
	{
		R int a = 0, b = 1; R char c = getchar();
		for(; c < '0' || c > '9'; c = getchar()) (c == '-') ? b = -1 : 0;
		for(; c >= '0' && c <= '9'; c = getchar()) a = (a << 1) + (a << 3) + c - '0';
		return a * b;
	}
	inline ll lread()
	{
		R ll a = 0, b = 1; R char c = getchar();
		for(; c < '0' || c > '9'; c = getchar()) (c == '-') ? b = -1 : 0;
		for(; c >= '0' && c <= '9'; c = getchar()) a = (a << 1) + (a << 3) + c - '0';
		return a * b;
	}
	const int Maxn = 500010;
	int n, m, cnt;
	int A[Maxn], B[Maxn];
	ll Sum[Maxn], Ans;
	struct node
	{
		int siz;
		ll v;
		node *ls, *rs;
	}t[Maxn << 5], *rt[Maxn], *tot = t, *Null;
	node *make(R node *last)
	{
		*++tot = *last;
		return tot;	
	}
	void Insert(R node *root, R int nowl, R int nowr, R int part)
	{
		root->siz++;
		root->v += part;
		if(nowl == nowr) return ;
		R int mid = nowl + nowr >> 1;
		if(part <= mid) Insert(root->ls = make(root->ls), nowl, mid, part);
		else Insert(root->rs = make(root->rs), mid + 1, nowr, part);
		return ;
	}
	int Query(R node *left, R node *right, R int nowl, R int nowr, R int K)
	{
		if(nowl == nowr) return nowl;
		R int mid = nowl + nowr >> 1;
		if(K + right->ls->siz - left->ls->siz <= mid) return Query(left->ls, right->ls, nowl, mid, K);
		return Query(left->rs, right->rs, mid + 1, nowr, K + right->ls->siz - left->ls->siz);
	}
	bool Check(R int x, R int usel, R int user, R int K)
	{
		R int tmp = Query(rt[usel - 1], rt[user], 1, cnt, x - usel + 1);
		return B[tmp] - (K + x - usel) >= 0;
	}
	ll Solve(R node *left, R node *right, R int nowl, R int nowr, R int usel, R int user)
	{
		if(usel > user || nowl > user || nowr < usel) return 0;
		if(usel <= nowl && nowr <= user) return right->v - left->v;
		R int mid = nowl + nowr >> 1;
		return Solve(left->ls, right->ls, nowl, mid, usel, user) + Solve(left->rs, right->rs, mid + 1, nowr, usel, user);
	}
	int Main()
	{
		n = read(), m = read();
		for(R int i = 1; i <= n; i++) A[i] = read();
		cnt = 2e6;
		Null = rt[0] = t, rt[0]->ls = rt[0]->rs = Null;
		for(R int i = 1; i <= n; i++) Insert(rt[i] = make(rt[i - 1]), 1, cnt, A[i]);
		while(m--)
		{
			R int usel = read(), user = read(), K = read();
			R int part = Query(rt[usel - 1], rt[user], 1, cnt, K - 1);
			if(K == 1) part = 0;
			Ans = (1ll * (K + part) * (part - K + 1) - 1ll * (part + K + user - usel + 1) * (K + user - usel - part)) / 2;
			Ans += Solve(rt[usel - 1], rt[user], 1, cnt, part + 1, cnt);
			Ans -= Solve(rt[usel - 1], rt[user], 1, cnt, 1, part);
			printf("%lld\n", Ans);
		}
		return 0;
	}
}
int main()
{
	return Dntcry :: Main();
}

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
可并堆是一种支持合并操作的堆数据结构,常见的可并堆有左偏树、斜堆、二项堆等。对于 LOJ#P188 可并堆的问题,下面以左偏树为例给出解题思路和代码实现。 ### 解题思路 1. **左偏树的性质**: - 左偏树是一种可并堆,它满足堆性质(小根堆或大根堆),即每个节点的值小于(或大于)其子节点的值。 - 左偏树还满足左偏性质,即每个节点的左子树的距离(到最近的叶子节点的距离)不小于右子树的距离。 2. **合并操作**: - 合并两个左偏树时,比较两个根节点的值,将值较大的根节点的树合并到值较小的根节点的右子树中。 - 合并后,检查右子树的距离是否大于左子树的距离,如果是,则交换左右子树,以维护左偏性质。 3. **插入操作**: - 插入一个新节点可以看作是合并一个只有一个节点的左偏树和原左偏树。 4. **删除操作**: - 删除根节点后,将其左右子树合并成一个新的左偏树。 ### 代码实现 ```python class Node: def __init__(self, val): self.val = val self.left = None self.right = None self.dist = 0 def merge(x, y): if not x: return y if not y: return x if x.val > y.val: x, y = y, x x.right = merge(x.right, y) if not x.left or (x.right and x.left.dist < x.right.dist): x.left, x.right = x.right, x.left x.dist = (x.right.dist + 1) if x.right else 0 return x def insert(root, val): new_node = Node(val) return merge(root, new_node) def delete(root): return merge(root.left, root.right) # 示例使用 root = None root = insert(root, 3) root = insert(root, 1) root = insert(root, 5) print(root.val) # 输出堆顶元素 root = delete(root) print(root.val) # 输出删除堆顶元素后的堆顶元素 ```
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