【JZOJ 5239】 【GDOI2018模拟8.7】图的异或

本文介绍了一种算法,用于解决图中所有简单环的异或值统计问题,并利用线性基的性质来求解。文章详细展示了如何通过深度优先搜索(DFS)找到返祖边并构建线性基,最终统计出所有可能的异或值。

Description

这里写图片描述

Solution

答案显然是统计所有的简单环,把它的异或值加线线性基,
简单环则在dfs树上找返祖边,
最后统计线性基答案即可,
这里要用到线性基的性质:
把所有能组合出的数写出,
对于每一个二进制位,它要不一定为0,要不作为0出现的次数和作为1出现的次数相等,
所有用这个性质,直接统计答案即可。

复杂度:O(nlog(260))

Code

#include <iostream>
#include <cstdio>
#include <cstdlib>
#include <cstring>
#define fo(i,a,b) for(int i=a;i<=b;i++)
#define fod(i,a,b) for(int i=a;i>=b;i--)
#define efo(i,q) for(int i=A[q];i;i=B[i][0])
#define min(q,w) ((q)>(w)?(w):(q))
#define max(q,w) ((q)<(w)?(w):(q))
using namespace std;
typedef long long LL;
const int N=200500,mo=1e9+7;
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 m,n,S,T;
int a[N];
bool z[N],OK;
int B[2*N][2],A[N],B0=1;
LL Bv[2*N];
LL AL,ans;
LL c[70],d[N];
LL er[70];
int JS;
void link(int q,int w,LL e)
{
    B[++B0][0]=A[q],A[q]=B0,B[B0][1]=w,Bv[B0]=e;
    B[++B0][0]=A[w],A[w]=B0,B[B0][1]=q,Bv[B0]=e;
}
void dfsf(int q,LL e)
{
    JS++;
    if(JS%100000==0)printf("fefefe\n");
    if(q==T)OK=1,AL=e;
    if(OK)return;
    z[q]=1;
    efo(i,q)if(!z[B[i][1]])dfsf(B[i][1],e^Bv[i]);
}
void ADD(LL q)
{
    for(int i=1;q;i++)if(er[i]&q)
        if(c[i])q=q^c[i];
        else {c[i]=q;break;}
}
void dfs(int q,int fai,LL e,int c)
{
    z[q]=1;d[q]=e;
    efo(i,q)
    if((i^1)!=fai)
    {
        if(z[B[i][1]])
        {
            ADD(e^d[B[i][1]]^Bv[i]);
        }else dfs(B[i][1],i,e^Bv[i],c+1);
    }
}
int main() 
{
    freopen("xor.in","r",stdin);
    freopen("xor.out","w",stdout);
    int q,w;LL e;
    er[1]=1;fo(i,2,62)er[i]=er[i-1]<<1;
    read(n),read(m);
    fo(i,1,m)read(q),read(w),scanf("%lld",&e),link(q,w,e);
    read(S),read(T);
    AL=0;
    dfsf(S,0);
    fo(i,1,n)z[i]=0;
    dfs(S,0,0,1);
    ans=0;q=0;LL t=0;
    fo(i,1,61)if(c[i])q++,t=t|c[i];
    fo(i,1,61)if(t&er[i])
    {
        ans=(ans+er[i]%mo*(er[q]%mo))%mo;
    }else if(AL&er[i])ans=(ans+er[i]%mo*(er[q+1]%mo))%mo;
    printf("%lld\n",ans);
    return 0;
}
基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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