CF - 229C - 想法题

本文介绍了一种新颖的方法来解决完全图中三角形计数问题,通过计算属于两个不同集合的边组成的三角形数量,利用补集思想简化了问题。
一个完全图中m条边属于Alice..剩下的属于Bob..求Alice和Bob分别用属于自己的边能得到的三角形个数之和..分开来想非常麻烦..似乎也没得办法..何不逆转思维..一个三角形若不属于Alice也不属于Bob..那么必然是其3条边中既有属于Alice的也有属于Bob的...称这种三角形为 不统计三角形..


根据输入易得某点有多少属于Alice的边,记为k...进而算出其有多少属于Bob的边=n-1-k...那么含这个点的不统计三角形有k*(n-1-k)个..而一个不统计三角形中一定有两个点是这种情况..所以若将所有点的k*(n-1-k)值加起来..再除2...就可以得到不统计三角形的总个数..

用C(n,3)算出完全图中有多少个三角形...减去不统计三角形..就是结果了..

转自 .http://blog.youkuaiyun.com/flying_stones_sure/article/details/8037028

#include <iostream>
#include <cstdio>
#include <memory.h>
using namespace std;
const int maxn = 1000002;
int degree[maxn];
int m,n;

void solve()
{
    memset(degree,0,sizeof(degree));
    int u,v;
    while(m--)
    {
        scanf("%d %d",&u,&v);
        degree[u]++;
        degree[v]++;
    }
    __int64 sum = 0;
    for(int i=1;i<=n;i++)
    {
        sum += 1LL * degree[i] * (n - 1 - degree[i]);
    }
    __int64 ans = 1LL * n * (n - 1) * (n - 2) / 6 - sum / 2;
    printf("%I64d\n",ans);
    return;
}

int main()
{
    while(~scanf("%d %d",&n,&m))
    {
        solve();
    }
    return 0;
}

还有一个代码:更让我理解到, 真是完全是想法题。。。

#include<cstdio>
int d[1000011],a,b,n,m;
main()
{
     scanf("%d%d",&n,&m);
     __int64 r=n*(n-1LL)*(n-2LL)/6LL;
     while(m--)
     {
        scanf("%d%d",&a,&b);
        r-=n-(++d[a])-(++d[b]);
     }
     printf("%I64d",r);
}


内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问决定。 举一个平方和的例子。 简单的平方和问 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论 6
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