Codeforces 474E Pillars (dp+树状数组)

本文深入探讨了数据结构优化在动态规划(DP)问题中的应用,通过具体案例讲解了如何利用离散化、二分查找及数据结构如线段树和树状数组来提升DP算法的效率,达到O(n log n)的时间复杂度。

数据结构优化 dpdpdp 的题目都很套路

f[i]f[i]f[i] 表示取到 iiiiii 必取的最大长度

那么显然:

f(i)=max⁡j=1i(f(j))+1 (∣hi−hj∣≥d) f(i)=\max\limits_{j=1}^i(f(j))+1~(|h_i-h_j| \ge d) f(i)=j=1maxi(f(j))+1 (hihjd)

直接枚举 O(n2)O(n^2)O(n2) 考虑优化

拆去绝对值后发现其实就是 hj≤hi−dh_j \le h_i-dhjhidhj≥hi+dh_j \ge h_i+dhjhi+d。相当于对两个区间查询最大值

hhh 进行离散化后可以二分位置,之后就可以用数据结构优化了

可以是一个线段树或两颗树状数组,我选择后者

时间复杂度 O(n log n)O(n~log~n)O(n log n)

#include <map>
#include <set>
#include <ctime>
#include <queue>
#include <stack>
#include <cmath>
#include <vector>
#include <bitset>
#include <cstdio>
#include <cctype>
#include <string>
#include <numeric>
#include <cstring>
#include <cassert>
#include <climits>
#include <cstdlib>
#include <iostream>
#include <algorithm>
#include <functional>
using namespace std ;
#define int long long
#define rep(i, a, b) for (int i = (a); i <= (b); i++)
#define per(i, a, b) for (int i = (a); i >= (b); i--)
#define loop(s, v, it) for (s::iterator it = v.begin(); it != v.end(); it++)
#define cont(i, x) for (int i = head[x]; i; i = e[i].nxt)
#define clr(a) memset(a, 0, sizeof(a))
#define ass(a, sum) memset(a, sum, sizeof(a))
#define lowbit(x) (x & -x)
#define all(x) x.begin(), x.end()
#define ub upper_bound
#define lb lower_bound
#define pq priority_queue
#define mp make_pair
#define pb push_back
#define fi first
#define se second
#define iv inline void
#define enter cout << endl
#define siz(x) ((int)x.size())
#define file(x) freopen(#x".in", "r", stdin),freopen(#x".out", "w", stdout)
typedef long long ll ;
typedef unsigned long long ull ;
typedef pair <int, int> pii ;
typedef vector <int> vi ;
typedef vector <pii> vii ;
typedef queue <int> qi ;
typedef queue <pii> qii ;
typedef set <int> si ;
typedef map <int, int> mii ;
typedef map <string, int> msi ;
const int N = 100010 ;
const int INF = 0x3f3f3f3f ;
const int iinf = 1 << 30 ;
const ll linf = 2e18 ;
const int MOD = 1000000007 ;
const double eps = 1e-7 ;
void print(int x) { cout << x << endl ; exit(0) ; }
void PRINT(string x) { cout << x << endl ; exit(0) ; }
void douout(double x){ printf("%lf\n", x + 0.0000000001) ; }

int n, d, tt ;
int tmp[N], a[N], bit1[N], bit2[N], ans[N], to[N] ;

void lsh() {
	rep(i, 1, n) tmp[i] = a[i] ;
	sort(tmp + 1, tmp + n + 1) ;
	tt = unique(tmp + 1, tmp + n + 1) - (tmp + 1) ;
}

int Max(int a, int b) {
	return ans[a] < ans[b] ? b : a ;
}

void add1(int x, int y) {
	for (; x <= tt; x += lowbit(x)) bit1[x] = Max(bit1[x], y) ;
}

int ask1(int x) {
	int ans = 0 ;
	for (; x; x -= lowbit(x)) ans = Max(bit1[x], ans) ;
	return ans ;
}

void add2(int x, int y) {
	for (; x <= tt; x += lowbit(x)) bit2[x] = Max(bit2[x], y) ;
}

int ask2(int x) {
	int ans = 0 ;
	for (; x; x -= lowbit(x)) ans = Max(bit2[x], ans) ;
	return ans ;
}

signed main(){
	scanf("%lld%lld", &n, &d) ;
	rep(i, 1, n) scanf("%lld", &a[i]) ;
	lsh() ;
	per(i, n, 1) {
		int x = lb(tmp + 1, tmp + tt + 1, a[i] + d) - tmp ;
		int y = ub(tmp + 1, tmp + tt + 1, a[i] - d) - (tmp + 1) ;
		int res = Max(ask1(y), ask2(tt - x + 1)) ;
		ans[i] = ans[res] + 1 ;
		to[i] = res ;
		int pos = lb(tmp + 1, tmp + tt + 1, a[i]) - tmp ;
		add1(pos, i) ;
		add2(tt - pos + 1, i) ;
	}
//	rep(i, 1, n) cout << ans[i] << " " ; enter ;
	int s = 0 ;
	rep(i, 1, n) s = Max(s, i) ;
	printf("%lld\n", ans[s]) ;
	while (s) {
		printf("%lld ", s) ;
		s = to[s] ;
	}
	enter ;
	return 0 ;
}

/*
写代码时请注意:
	1.ll?数组大小,边界?数据范围?
	2.精度?
	3.特判?
	4.至少做一些
思考提醒:
	1.最大值最小->二分?
	2.可以贪心么?不行dp可以么
	3.可以优化么
	4.维护区间用什么数据结构?
	5.统计方案是用dp?模了么?
	6.逆向思维?
*/


<think>首先,用户的问题是关于一个算法问题的:使用“堆优化Dijkstra + bool数组标记 + dist数组记录权重”是否能通过一道题。但用户没有指定具体的题目,所以我需要基于上下文来推测。之前的对话是关于最小生成树的,特别是Kruskal算法,但这次用户提到了Dijkstra算法,这是用于单源最短路径的。 用户的问题似乎是针对某个具体的编程问题,但这里没有提供题目描述。所以,在回答时,我需要给出一般性的建议,并假设这是一个最短路径问题。 关键元素: - **堆优化Dijkstra**:这是Dijkstra算法的优化版本,使用优先队列(通常是堆)来高效地选择下一个要处理的节点。 - **bool数组标记**:这通常是一个布尔数组(如`visited`数组),用于标记节点是否已被访问过,以避免重复处理。 - **dist数组记录权重**:`dist`数组存储从源点到每个节点的最短距离。 在标准Dijkstra算法中,这些组件是常见的: - 堆优化:减少时间复杂度,从O(V^2)到O(E + V log V)。 - bool数组:用于标记节点是否已确定最短路径。 - dist数组:存储当前已知的最短距离。 所以,对于大多数最短路径问题(尤其是正权重图),这个组合应该是有效的。 现在,回答结构: 1. **回答用户的问题**:我需要确认是否这个组合能通过题目。既然没有具体题目,我可以说在一般情况下,对于单源最短路径问题(非负权重),这个方法是标准且高效的。但如果有特定约束(如负权重、大图等),可能需要调整。 2. **提供代码示例**:用户之前的示例中有Python代码,所以我应该给出一个简单的Dijkstra算法实现,使用堆优化、bool数组和dist数组。 3. **提出3-5个相关问题**:在末尾,必须以“§§相关问题§§”开头,然后列出问题。问题应该基于用户的问题和我的回答。 用户消息的最后部分:"堆优化dijstra+bool数组标记+dist数组记录权重,是否能通过这道题"。这里的“这道题”可能指的是一个隐含的题目,但从上下文看,似乎是通用的。或许是之前的“牧场”问题,但Dijkstra用于最短路径,不是MST。 在之前的对话中,用户提到了“枚举牧场作为起点”,这可能暗示一个需要从每个节点计算最短路径的问题,比如所有对最短路径或多源最短路径。但Dijkstra通常是单源的。如果用户想从每个起点运行Dijkstra,那可能会用到堆优化版本。 所以,在回答中,我应该: - 解释堆优化Dijkstra的适用性。 - 给出一个代码示例。 - 讨论在枚举起点时的情况。 代码示例:我将写一个Python函数,实现堆优化的Dijkstra算法。 伪代码或实际代码: ```python import heapq def dijkstra(graph, start): n = len(graph) dist = [float('inf')] * n dist[start] = 0 visited = [False] * n # bool数组标记 heap = [(0, start)] # (distance, node) while heap: d, node = heapq.heappop(heap) if visited[node]: continue visited[node] = True for neighbor, weight in graph[node]: new_dist = d + weight if new_dist < dist[neighbor]: dist[neighbor] = new_dist heapq.heappush(heap, (new_dist, neighbor)) return dist ``` 在这个代码中: - `graph` 是一个邻接表,例如 `graph[i]` 是列表的元组 `(neighbor, weight)`。 - 使用 `heapq` 实现最小堆。 - `visited` 数组确保每个节点只处理一次。 - `dist` 数组记录最短路径权重。 现在,回答是否能通过题目:一般来说,对于非负权重图,这个算法是正确且高效的。但如果题目有负权重,Dijkstra可能不适用(需要Bellman-Ford)。如果图很大,堆优化是必要的。如果题目要求多源,可能需要多次调用Dijkstra。 最后,提出相关问题: 1. 堆优化Dijkstra算法的时间复杂度是多少? 2. 如果图中存在负权边,Dijkstra算法还能使用吗? 3. 如何修改代码以记录最短路径本身,而不仅仅是距离? 4. 在稀疏图和稠密图中,堆优化Dijkstra的性能如何比较? 5. 如果从每个节点运行Dijkstra,总时间复杂度是多少? 确保3-5个问题。 输出格式: - 先回答问题。 - 然后代码块(用```python ... ```)。 - 然后“§§相关问题§§”开头,列出问题。 完整回答: 首先,解释是否能通过:是的,对于大多数单源最短路径问题(非负权重),这个组合是有效的。 然后,提供代码。 最后,相关问题。</think>基于您的查询,使用“堆优化Dijkstra + bool数组标记 + dist数组记录权重”的方法,在解决单源最短路径问题(图边权重非负)时是标准且高效的。该组合能通过大多数相关题目(如LeetCode、CodeForces中的最短路径问题),原因如下: - **堆优化Dijkstra**:使用优先队列(最小堆)高效选择下一个节点,时间复杂度优化为O(E + V log V),适合稀疏图。 - **bool数组标记**:记录节点是否被访问(`visited`数组),避免重复处理。 - **dist数组**:存储从源点到各节点的最短距离。 在非负权重图中,该方法是正确的。但如果题目有特殊约束(如负权重、大输入规模或需多源处理),可能需要调整(例如负权重需用Bellman-Ford)。以下是一个Python实现示例: ```python import heapq def dijkstra(graph, start): n = len(graph) dist = [float('inf')] * n # 初始化dist数组,记录权重 dist[start] = 0 visited = [False] * n # bool数组标记节点访问状态 heap = [(0, start)] # 最小堆:(距离, 节点) while heap: d, node = heapq.heappop(heap) if visited[node]: # 跳过已访问节点 continue visited[node] = True for neighbor, weight in graph[node]: new_dist = d + weight if new_dist < dist[neighbor]: dist[neighbor] = new_dist heapq.heappush(heap, (new_dist, neighbor)) return dist # 示例使用:graph为邻接表,graph[0] = [(1, 2), (2, 5)] 表示节点0到1的边权重为2。 # result = dijkstra(graph, 0) # 从节点0开始 ```
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