[Tjoi2016&Heoi2016]【BZOJ 4553】【JZOJ 4606】序列

本文介绍了一种使用树状数组和线段树优化动态规划的方法,解决了一个关于序列变化的问题。通过枚举和转移方程,实现了从O(n^2)到O(nlog^2(n))的复杂度优化。

Description

这里写图片描述

Solution

先搞一个n2的暴力,
设原序列为ai,变化的最大为Bxi,最小为Bii
枚举j转移过来,要满足在所有的变一个的情况下的不下降,那么肯定是当前的ajBii & Bxjai,
转移方程:

fi=maxajBii,Bxjai{fj+1}

复杂度:O(n2)
优化:
我们发现,这个东西可以用树套树来搞,
用树状数组维护第一个,再套个4线段树维护第二个,
线段树动态开节点即可,
复杂度:O(nlog2(n))

PS:大概想了一下,其实树状数组套树状数组好像也可以。

Code

#include<cstdio> 
#include<cstdlib>
#define fo(i,a,b) for(int i=a;i<=b;i++)
#define NX(q) ((q)&(-(q)))
using namespace std;
const int N=100050;
int read(int &n)
{
    char ch=' ';int q=0,w=1;
    for(;(ch!='-')&&((ch<'0')||(ch>'9'));ch=getchar());
    if(ch=='-')w=-1,ch=getchar();
    for(;ch>='0' && ch<='9';ch=getchar())q=q*10+ch-48;n=q*w;return n;
}
int n,m1,ans;
int a[N],f[N];
int B[N][2];
int root[N],b0=0;
struct qqww
{int l,r,s;}b[N*60];
int max(int q,int w){return q<w?w:q;}
int min(int q,int w){return q>w?w:q;}
int find(int l,int r,int e,int r1)
{
    if(!e)return 0;
    if(r<=r1)return b[e].s;
    int t=(l+r)/2;
    if(r1<=t)return find(l,t,b[e].l,r1);
        else return max(find(l,t,b[e].l,r1),find(t+1,r,b[e].r,r1));
}
void change(int l,int r,int &e,int r1,int l2)
{
    if(!e)e=++b0;
    if(l==r){b[e].s=max(b[e].s,l2);return;}
    int t=(l+r)/2;
    if(r1<=t)change(l,t,b[e].l,r1,l2);
        else change(t+1,r,b[e].r,r1,l2);
    b[e].s=max(b[b[e].l].s,b[b[e].r].s);
}
int main()
{
    int q,w,mx=0;
    read(n);read(m1);
    fo(i,1,n)B[i][0]=B[i][1]=read(a[i]);
    fo(i,1,m1)read(q),read(w),B[q][0]=min(w,B[q][0]),B[q][1]=max(B[q][1],w);
    fo(i,1,n)mx=max(mx,B[i][1]);
    fo(i,1,n)
    {
        f[i]=1;
        for(q=a[i];q;q-=NX(q))f[i]=max(f[i],find(1,mx,root[q],B[i][0])+1);
        for(q=B[i][1];q<=mx;q+=NX(q))change(1,mx,root[q],a[i],f[i]);
        ans=max(ans,f[i]);
    }
    printf("%d\n",ans);
    return 0;
}
内容概要:本文介绍了一个基于冠豪猪优化算法(CPO)的无人机三维路径规划项目,利用Python实现了在复杂三维环境中为无人机规划安全、高效、低能耗飞行路径的完整解决方案。项目涵盖空间环境建模、无人机动力学约束、路径编码、多目标代价函数设计以及CPO算法的核心实现。通过体素网格建模、动态障碍物处理、路径平滑技术和多约束融合机制,系统能够在高维、密集障碍环境下快速搜索出满足飞行可行性、安全性与能效最优的路径,并支持在线重规划以适应动态环境变化。文中还提供了关键模块的代码示例,包括环境建模、路径评估和CPO优化流程。; 适合人群:具备一定Python编程基础和优化算法基础知识,从事无人机、智能机器人、路径规划或智能优化算法研究的相关科研人员与工程技术人员,尤其适合研究生及有一定工作经验的研发工程师。; 使用场景及目标:①应用于复杂三维环境下的无人机自主导航与避障;②研究智能优化算法(如CPO)在路径规划中的实际部署与性能优化;③实现多目标(路径最短、能耗最低、安全性最高)耦合条件下的工程化路径求解;④构建可扩展的智能无人系统决策框架。; 阅读建议:建议结合文中模型架构与代码示例进行实践运行,重点关注目标函数设计、CPO算法改进策略与约束处理机制,宜在仿真环境中测试不同场景以深入理解算法行为与系统鲁棒性。
评论 1
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