luogu2151 [SDOI2009]HH去散步

本文介绍了一种使用动态规划与矩阵乘法解决洛谷2151题的方法。首先通过动态规划求解基础情况,再利用矩阵乘法优化时间复杂度,最终达到100%正确率。

链接

  https://www.luogu.org/problem/show?pid=2151

题解

 对于30%:

  可以令f[i][j][k]表示走了i步到达j这个点,前驱边是k的方案数。

  那么转移f[i][j][k]->f[i+1][从i能到达的点][这条边不是k的反向边]。

  复杂度O(tNM^2)。

 对于100%:

  看到这种转移的形式很容易想到用矩阵乘法加速,那么t这一维就可以变成log(t),但是状态数仍然是NM,也就是说矩阵的大小是N*M,那么做一次矩阵乘法就是(NM)^3,显然太大。

  但是知道了边就等于知道了这是哪个点,因此N可以被去掉,矩阵大小变成M*M,这样的话复杂度变成了O(M^3*log(t)),可以。 

代码

//动态规划+矩阵乘法 
#include <cstdio>
#include <algorithm>
#define mod 45989
#define maxn 25
#define maxm 65
#define maxt 250
using namespace std;
int head[maxm<<1], to[maxm<<1], next[maxm<<1], tot=1, N, M, T, A, B, f[2][maxm<<1],
	trans[maxm<<1][maxm<<1];
void adde(int a, int b){to[++tot]=b;next[tot]=head[a];head[a]=tot;}
void cpy(int a[][maxm<<1], int b[][maxm<<1])
{
	int i, j;
	a[0][0]=b[0][0], a[0][1]=b[0][1];
	for(i=1;i<=a[0][0];i++)for(j=1;j<=a[0][1];j++)a[i][j]=b[i][j];
}
void mult(int a[][maxm<<1], int b[][maxm<<1], int c[][maxm<<1])
{
	int x=a[0][1], i, j, k, t[maxm<<1][maxm<<1]={0};
	t[0][0]=a[0][0], t[0][1]=b[0][1];
	for(i=1;i<=t[0][0];i++)for(j=1;j<=t[0][1];j++)for(k=1;k<=x;k++)
		t[i][j]=(t[i][j]+a[i][k]*b[k][j])%mod;
	cpy(c,t);
}
void pow(int a[][maxm<<1], int b, int c[][maxm<<1])
{
	int ans[maxm<<1][maxm<<1], t[maxm<<1][maxm<<1];
	ans[0][0]=a[0][0], ans[0][1]=a[0][1];
	for(int i=1;i<=ans[0][0];i++)ans[i][i]=1;
	for(cpy(t,a);b;b>>=1,mult(t,t,t))if(b&1)mult(ans,t,ans);
	cpy(c,ans);
}
void init()
{
	int u, v, i, p;
	scanf("%d%d%d%d%d",&N,&M,&T,&A,&B);
	for(i=1;i<=M;i++)
	{
		scanf("%d%d",&u,&v);
		adde(u,v),adde(v,u);
	}
	f[0][0]=1,f[0][1]=tot;
	for(p=head[A];p;p=next[p])f[1][p]=1;
	trans[0][0]=trans[0][1]=tot;
	for(i=2;i<=tot;i++)
		for(p=head[to[i]];p;p=next[p])if(p!=(i xor 1))trans[i][p]=1;
}
int main()
{
	int ans=0, i;
	init();
	pow(trans,T-1,trans);
	mult(f,trans,f);
	for(i=2;i<=tot;i++)if(to[i]==B)ans=(ans+f[1][i])%mod;
	printf("%d",ans);
	return 0;
}


内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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