2002: [Hnoi2010]Bounce 弹飞绵羊 分块/LCT

本文通过一道具体题目比较了LCT(链剖树)和分块算法的应用。介绍了两种算法实现细节,并通过实际代码展示了如何使用这两种方法解决问题。最终得出,在此问题上分块算法更易于实现。

似乎正解是LCT。。这也是我学LCT做的第一道题。。然而今天写了一发分块看起来已经碾压LCT了。。。

两种都算模板级别的题了,分块更好写一些。

LCT:

#include<iostream>
#include<cstdio>
#define N 200005
using namespace std;
int n,m,next[N],tree[N][2],fa[N],size[N],s[N];
bool rev[N];
inline int read()
{
    int a=0,f=1; char c=getchar();
    while (c<'0'||c>'9') {if (c=='-') f=-1; c=getchar();}
    while (c>='0'&&c<='9') {a=a*10+c-'0'; c=getchar();}
    return a*f;
}
inline bool isroot(int x)
{
    return tree[fa[x]][0]!=x&&tree[fa[x]][1]!=x;
}
inline void pushup(int x)
{
    size[x]=size[tree[x][0]]+size[tree[x][1]]+1;
}
inline void pushdown(int x)
{
    if (rev[x])
    {
        rev[x]^=1; rev[tree[x][0]]^=1; rev[tree[x][1]]^=1;
        swap(tree[x][0],tree[x][1]);
    }
}
void rotate(int x)
{
    int y=fa[x],z=fa[y],l=tree[y][1]==x,r=l^1;
    if (!isroot(y)) tree[z][tree[z][1]==y]=x;
    fa[x]=z; fa[y]=x; fa[tree[x][r]]=y;
    tree[y][l]=tree[x][r]; tree[x][r]=y;
    pushup(y); pushup(x);
}
void splay(int x)
{
    int top=0; s[++top]=x;
    for (int i=x;!isroot(i);i=fa[i])
    {
        s[++top]=fa[i];
    }
    for (int i=top;i;i--) pushdown(s[i]);
    while (!isroot(x))
    {
        int y=fa[x],z=fa[y];
        if (!isroot(y))
        {
            if (tree[y][0]==x^tree[z][0]==y) rotate(x); else rotate(y);
        }
        rotate(x);
    }
}
void access(int x)
{
    int t=0;
    while (x)
    {
        splay(x);
        tree[x][1]=t;
        t=x; x=fa[x];
    }
}
void rever(int x)
{
    access(x); splay(x); rev[x]^=1;
}
void link(int x,int y)
{
    rever(x); fa[x]=y; splay(x);
}
void cut(int x,int y)
{
    rever(x); access(y); splay(y); tree[y][0]=fa[x]=0;
}
int main()
{
    n=read();
    for (int i=1;i<=n;i++)
    {
        int x=read();
        fa[i]=x+i; size[i]=1;
        if (fa[i]>n+1) fa[i]=n+1;
        next[i]=fa[i];
    }
    size[n+1]=1;
    m=read();
    for (int i=1;i<=m;i++)
    {
        int f=read();
        if (f==1)
        {
            rever(n+1);
            int x=read(); x++;
            access(x); splay(x); printf("%d\n",size[tree[x][0]]);
        }
        else
        {
            int x=read(),y=read(); x++;
            int t=min(n+1,x+y);
            cut(x,next[x]); link(x,t); next[x]=t;
        }
    }
    return 0;
}


分块:

#include<iostream>
#include<cstdio>
#include<cmath>
#define N 200005
using namespace std;
int n,m,cnt,block;
int p[N],s[N],k[N],belong[N];
int l[1005],r[1005];
inline int read()
{
    int a=0,f=1; char c=getchar();
    while (c<'0'||c>'9') {if (c=='-') f=-1; c=getchar();}
    while (c>='0'&&c<='9') {a=a*10+c-'0'; c=getchar();}
    return a*f;
}
inline int work(int x)
{
    int tmp=0;
    while (1)
    {
        tmp+=s[x];
        if (!p[x]) break;
        x=p[x];
    }
    return tmp;
}
int main()
{
    n=read(); block=(int)(sqrt(n));
    for (int i=1;i<=n;i++) k[i]=read();
    if (n%block) cnt=n/block+1; else cnt=n/block;
    for (int i=1;i<=cnt;i++)
        l[i]=(i-1)*block+1,r[i]=i*block;
    r[cnt]=n;
    for (int i=1;i<=n;i++) belong[i]=(i-1)/block+1;
    for (int i=n;i;i--)
        if (i+k[i]>n) s[i]=1;
        else if (belong[i]==belong[i+k[i]])
            s[i]=s[i+k[i]]+1,p[i]=p[i+k[i]];
        else s[i]=1,p[i]=i+k[i];
    m=read();
    while (m--)
    {
        int f=read(),x=read(),y;
        x++;
        if (f==1) printf("%d\n",work(x));
        else
        {
            y=read(); k[x]=y;
            for (int i=x;i>=l[belong[x]];i--)
                if (belong[i]==belong[i+k[i]])
                    s[i]=s[i+k[i]]+1,p[i]=p[i+k[i]];
                else s[i]=1,p[i]=i+k[i];
        }
    }
    return 0;
}
内容概要:本文介绍了一个基于MATLAB实现的多目标粒子群优化算法(MOPSO)在无人机三维路径规划中的应用。该代码实现了完整的路径规划流程,包括模拟数据生成、障碍物随机生成、MOPSO优化求解、帕累托前沿分析、最优路径选择、代理模型训练以及丰富的可视化功能。系统支持用户通过GUI界面设置参数,如粒子数量、迭代次数、路径节点数等,并能一键运行完成路径规划与评估。代码采用模块化设计,包含详细的注释,同时提供了简洁版本,便于理解和二次开发。此外,系统还引入了代理模型(surrogate model)进行性能预测,并通过多种图表对结果进行全面评估。 适合人群:具备一定MATLAB编程基础的科研人员、自动化/控制/航空航天等相关专业的研究生或高年级本科生,以及从事无人机路径规划、智能优化算法研究的工程技术人员。 使用场景及目标:①用于教学演示多目标优化算法(如MOPSO)的基本原理与实现方法;②为无人机三维路径规划提供可复现的仿真平台;③支持对不同参数配置下的路径长度、行时间、能耗与安全风险之间的权衡进行分析;④可用于进一步扩展研究,如融合动态环境、多无人机协同等场景。 其他说明:该资源包含两份代码(详细注释版与简洁版),运行结果可通过图形界面直观展示,包括Pareto前沿、收敛曲线、风险热图、路径雷达图等,有助于深入理解优化过程与结果特性。建议使用者结合实际需求调整参数,并利用提供的模型导出功能将最优路径应用于真实系统。
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