PiPi 家族

本文探讨了一种基于深度优先搜索的算法优化策略,通过对节点的深度和权重进行排序,实现对树形结构的有效遍历与合并。通过具体实例解释了如何通过排序减少不必要的计算,提高整体效率。

PiPi 家族
仔 细 想 想 , 好 像 排 序 挺 管 用 的 , 所 以 就 对 d e p t h [ s ] + a [ s ] 排 序 , 因 为 可 以 发 现 若 v ∈ s o n [ s ] , 其 中 s o n [ s ] 表 示 s 的 子 树 , 仔细想想,好像排序挺管用的,所以就对depth[s]+a[s]排序,因为可以发现若v∈son[s],其中son[s]表示s的子树, ,depth[s]+a[s]vson[s],son[s]s
若 有 a [ s ] + d e p t h [ s ] > a [ v ] + d e p t h [ v ] , 因 为 子 树 要 先 被 访 问 , 所 以 v 一 定 不 会 为 答 案 做 出 贡 献 , 所 以 可 以 将 v 合 并 到 s 中 若有a[s]+depth[s]>a[v]+depth[v],因为子树要先被访问,所以v一定不会为答案做出贡献,所以可以将v合并到s中 a[s]+depth[s]>a[v]+depth[v],访vvs

仔 细 思 考 , 我 们 现 在 得 到 一 颗 从 上 到 下 递 增 的 树 , 我 们 发 现 大 搭 配 小 , 小 配 大 就 做 完 了 , ( 感 性 理 解 ) 仔细思考,我们现在得到一颗从上到下递增的树,我们发现大搭配小,小配大就做完了,(感性理解)

简 单 证 明 一 下 ( 为 了 防 止 被 打 ) , 因 为 a [ s ] + d e p t h [ s ] < [ v ] + d e p t h [ v ] , 所 以 小 时 间 一 定 会 先 配 最 下 面 ( 所 以 我 们 可 以 只 比 较 子 节 点 的 优 劣 ) , 如 果 它 的 t 变 大 , 则 另 一 个 地 方 ( 不 妨 设 为 x ) 的 t 变 小 , 则 另 一 个 地 方 的 x 的 d e p t h [ x ] + a [ x ] + t [ x ] 一 定 没 有 d e p t h [ v ] + a [ v ] + t [ v ] 大 , 所 以 一 定 是 不 优 的 简单证明一下(为了防止被打),因为a[s]+depth[s]<[v]+depth[v],所以小时间一定会先配最下面(所以我们可以只比较子节点的优劣),如果它的t变大,则另一个地方(不妨设为x)的t变小,则另一个地方的x的depth[x]+a[x]+t[x]一定没有depth[v]+a[v]+t[v]大,所以一定是不优的 a[s]+depth[s]<[v]+depth[v],txtxdepth[x]+a[x]+t[x]depth[v]+a[v]+t[v]

#include<bits/stdc++.h>
using namespace std;
const int N=3e5+5;
int n,a[N],head[N],cnt=0,depth[N],b[N],val[N];
struct edge{
	int link,v;
}q[N<<1];
void put(int x,int y){
	q[++cnt].v=y;
	q[cnt].link=head[x];
	head[x]=cnt;
}
void dfs(int s,int fa){
	b[s]=a[s]+depth[s];
	for(int i=head[s];i;i=q[i].link){
		int v=q[i].v;
		if(v==fa) continue;
		depth[v]=depth[s]+1;
		dfs(v,s);
	}
}
int head2[N],cnt2=0,sum2=0,id[N];
struct edge2{
	int link,v;
}q2[N<<1];
void put2(int x,int y){
	q2[++cnt2].v=y;
	q2[cnt2].link=head2[x];
	head2[x]=cnt2;
}
struct node{
	int vall,id,sum;
	bool operator <(const node&bb)const{
	   return sum<bb.sum;
	}
};
priority_queue <node> myline;
void dfs2(int s,int fa,int f){
	for(int i=head[s];i;i=q[i].link){
	   int v=q[i].v;
	   if(v==fa) continue;
	   if(b[f]<b[v]){
	   	 put2(f,v);
	   	 put2(v,f);
	   	 val[v]=1;id[++sum2]=v;
	   	 dfs2(v,s,v);
	   }
	   else{
	   	 val[f]++;
	   	 dfs2(v,s,f);
       }
	}
}

int main(){
	scanf("%d",&n);
	for(int i=1;i<=n;i++) scanf("%d",&a[i]);
	for(int i=1;i<n;i++){
		int u,v;
		scanf("%d%d",&u,&v);
		put(u,v),put(v,u);
	}
	dfs(1,0);
	sum2=1,id[1]=1;val[1]=1;
	dfs2(1,0,1);
	for(int i=1;i<=sum2;i++){
		myline.push((node){val[id[i]],i,b[id[i]]});
	}
    int ans=0;
	for(int t=0;t<n;t++){
		node x=myline.top();
		myline.pop();
		
		int now=x.id;val[id[now]]--;
		if(val[id[now]]){
			myline.push(node{val[id[now]],now,b[id[now]]});
		}
		else{
			ans=max(ans,b[id[now]]+t);
		}
	}
	printf("%d",ans);
}
基于蒙特卡洛法的规模化电动车有序充放电及负荷预测(Python&Matlab实现)内容概要:本文围绕“基于蒙特卡洛法的规模化电动车有序充放电及负荷预测”展开,结合Python和Matlab编程实现,重点研究大规模电动汽车在电网中的充放电行为建模与负荷预测方法。通过蒙特卡洛模拟技术,对电动车用户的出行规律、充电需求、接入时间与电量消耗等不确定性因素进行统计建模,进而实现有序充放电策略的优化设计与未来负荷曲线的精准预测。文中提供了完整的算法流程与代码实现,涵盖数据采样、概率分布拟合、充电负荷聚合、场景仿真及结果可视化等关键环节,有效支撑电网侧对电动车负荷的科学管理与调度决策。; 适合人群:具备一定电力系统基础知识和编程能力(Python/Matlab),从事新能源、智能电网、交通电气化等相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究大规模电动车接入对配电网负荷特性的影响;②设计有序充电策略以平抑负荷波动;③实现基于概率模拟的短期或长期负荷预测;④为电网规划、储能配置与需求响应提供数据支持和技术方案。; 阅读建议:建议结合文中提供的代码实例,逐步运行并理解蒙特卡洛模拟的实现逻辑,重点关注输入参数的概率分布设定与多场景仿真的聚合方法,同时可扩展加入分时电价、用户行为偏好等实际约束条件以提升模型实用性。
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