NOIP 2014 D1T2 联合权值

本文介绍了一种针对无向连通图中特定联合权值计算的方法。通过枚举每个节点并记录其子节点的权值信息,实现了联合权值最大值及总和的有效计算。适用于图论与算法竞赛。

2.联合权值
(link.cpp/c/pas)
【问题描述】
无向连通图G有n个点,n-1条边。点从1到n依次编号,编号为i的点的权值为Wi ,
每条边的长度均为1。图上两点(u, v)的距离定义为u点到v点的最短距离。对于图G上的点
对(u, v),若它们的距离为2,则它们之间会产生wu×wv的联合权值。
请问图G上所有可产生联合权值的有序点对中,联合权值最大的是多少?所有联合权
值之和是多少?
【输入】
输入文件名为link.in。
第一行包含1个整数n。
接下来n-1行,每行包含2个用空格隔开的正整数u、v,表示编号为u和编号为v的点
之间有边相连。
最后1行,包含n个正整数,每两个正整数之间用一个空格隔开,其中第i个整数表示
图G上编号为i的点的权值为Wi。
【输出】
输出文件名为link.out。
输出共1行,包含2个整数,之间用一个空格隔开,依次为图G上联合权值的最大值
和所有联合权值之和。由于所有联合权值之和可能很大,输出它时要对10007取余。
【数据说明】
对于30%的数据,1< n≤100;
对于60%的数据,1< n≤2000;
对于100%的数据,1< n≤200,000,0< wi ≤10,000。

不是很好想2333333反正我暑假第一次做的时候暴力打ci了。
两个距离为2的点会产生联合权值,那么一个点的所有儿子都可以两两配对产生联合权值,记录的时候,a到b的联合权值和b到a 的联合权值是都需要记的…

那么我们可以这么做…枚举每一个点,记录一下他的所有儿子的权值和tot,还有他所有儿子的权值的平方的和pfh。

为什么呢?
(a+b+c)*(a+b+c)=a^2+b^2+c^2+2ab+2bc+2ac
(a+b+c+d+……….z)^2=a^2+b^2+c^2+d^2+……z^2+2ab+2ac+2ad+2az……..+2yz
所以我们用tot 的平方减去平方和就等于这个点所有的儿子产生的联合权值。
每一次加一下,就是第二问。
对于第一问,我们在枚举的时候可以记录一下这个点的儿子的最大权值和次大权值,每一次乘起来取max

#include<algorithm>
#include<iostream>
#include<cstdio>
#include<queue>
using namespace std;
typedef long long ll;
const ll ha=10007;
int n;
const int maxn=200000+5;
struct Edge
{
    int to;
    int next;
}edge[maxn<<1];
int head[maxn<<1];
int tot;
void add(int f,int t)
{
    edge[++tot]=(Edge){t,head[f]};
    head[f]=tot;    
}
void read(int &a)
{
    char c=getchar();
    while(c<'0'||c>'9')
        c=getchar();
    int ans=0;
    while(c<='9'&&c>='0')
        ans=ans*10+c-'0',c=getchar();
    a=ans;
    return;
}

void readl(ll &a)
{
    char c=getchar();
    while(c<'0'||c>'9')
        c=getchar();
    ll ans=0;
    while(c<='9'&&c>='0')
        ans=ans*10+c-'0',c=getchar();
    a=ans;
    return;
}
ll dq[maxn];
ll ans;
ll ans1;
bool vis[maxn];
void spfa(int s)
{
    ll tot=0;
    ll pfh=0;
    ll cnt=0;
    bool flag=0;
    ll max1=0,max2=0;
    for(int i=head[s];i;i=edge[i].next)
    {
        Edge e=edge[i];
        if(dq[e.to]>max1)
            max1=dq[e.to];
        else if(dq[e.to]<=max1&&dq[e.to]>max2)
            max2=dq[e.to];
        ans1=max(ans1,max1*max2);
        cnt++;
        vis[e.to]=1;
        tot+=dq[e.to];
        tot%=ha;
        pfh+=dq[e.to]*dq[e.to];
        pfh%=ha;
    }   
    if(cnt>1)
    ans+=(((tot*tot)%ha)-pfh+ha)%ha;
}
int main()
{
    freopen("link.in","r",stdin);
    freopen("link.out","w",stdout);
    scanf("%d",&n);
    for(int i=1;i<n;i++)
    {
        int a,b;
        read(a),read(b);
        add(a,b);
        add(b,a);
    }
    for(int i=1;i<=n;i++)
        readl(dq[i]);
    for(int i=1;i<=n;i++)
        spfa(i);
    printf("%lld %lld",ans1,ans%ha);
    return 0;
}
【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)内容概要:本文提出了一种基于融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)优化变分模态分解(VMD)参数,并结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的轴承故障诊断模型。该方法利用西储大学公开的轴承数据集进行验证,通过OCSSA算法优化VMD的分解层数K和惩罚因子α,有效提升信号分解精度,抑制模态混叠;随后利用CNN提取故障特征的空间信息,BiLSTM捕捉时间序列的动态特征,最终实现高精度的轴承故障分类。整个诊断流程充分结合了信号预处理、智能优化与深度学习的优势,显著提升了复杂工况下轴承故障诊断的准确性与鲁棒性。; 适合人群:具备一定信号处理、机器学习及MATLAB编程基础的研究生、科研人员及从事工业设备故障诊断的工程技术人员。; 使用场景及目标:①应用于旋转机械设备的智能运维与故障预警系统;②为轴承等关键部件的早期故障识别提供高精度诊断方案;③推动智能优化算法与深度学习在工业信号处理领域的融合研究。; 阅读建议:建议读者结合MATLAB代码实现,深入理解OCSSA优化机制、VMD参数选择策略以及CNN-BiLSTM网络结构的设计逻辑,通过复现实验掌握完整诊断流程,并可进一步尝试迁移至其他设备的故障诊断任务中进行验证与优化。
评论
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