CodeForces 821E Okabe and El Psy Kongroo

本文介绍了一种使用矩阵优化解决大规模动态规划问题的方法,特别适用于路径规划问题,其中涉及大量重复的状态转移。通过矩阵快速幂技术,可以在较短的时间内求解具有大量状态的问题。

        题意为:从(0,0)点出发,只能向右下,右或右上移动,每一段区域会给一个最高值,向上不能超过这个最高值,向下不能低于0,要求,到达(k,0)这个点的方案数。

        如果k的值很小,我们会想到对于每一个点,答案数为能转移到它的点答案加和。但是我们发现它的k有1018 之大,但是实际的上端有差别的只有100个,所以对于很多状态转移是相似的,这时就可以使用矩阵优化了。

       我们将转移矩阵作为图的邻接矩阵,如果能转移到(有边)那么po[i][j]=1。初始矩阵中,仅考虑边界这一列的情况

,最开始将起点0,0的值赋为1,那么对于每次上界改变的边缘情况暴力转移,对于上界不变的情况矩阵快速幂优化,

即可在nlogk的时间复杂度内解决问题。不过,这道题对于边界条件的处理也极为关键,对于每一次上界变低的情况,

我们都需要将这次的上界,到上一次的上界的值清为0,以避免多算答案。

       下附AC代码。

#include<iostream>
#include<stdio.h>
#include<string.h>
#include<stdlib.h>
#include<algorithm>
#define maxn 20
using namespace std;
struct Matrix
{
	int n,m;
	long long val[maxn][maxn];
};
long long mod=1000000007;
Matrix quickmul(Matrix mat1,Matrix mat2)
{
	Matrix ans;
	ans.n=mat1.n;
	ans.m=mat2.m;
	memset(ans.val,0,sizeof(ans.val));
	for(int i=0;i<=mat1.n;i++)
	{
		for(int j=0;j<=mat2.m;j++)
		{
			for(int k=0;k<=mat1.m;k++)
			{
				ans.val[i][j]+=mat1.val[i][k]*mat2.val[k][j];
				ans.val[i][j]%=mod;
			}
		}
	}
	return ans;
}

Matrix quickpow(Matrix n,long long k)
{
	Matrix ans;
	memset(ans.val,0,sizeof(ans));
	ans.n=n.n;
	ans.m=n.m;
	for(int i=0;i<=n.n;i++)
	ans.val[i][i]=1;
	while(k)
	{
		if(k&1)
		{
			ans=quickmul(ans,n);
		}
		n=quickmul(n,n);
		k=k>>1;
	}
	return ans;
}
Matrix now,po,pre;
long long n,k;
int main()
{
	scanf("%I64d%I64d",&n,&k);
	memset(pre.val,0,sizeof(pre.val)); 
	memset(po.val,0,sizeof(po.val));
	
	for(int i=0;i<16;i++)
	for(int j=-1;j<=1;j++)
	if(i+j>=0 && i+j<16)
	{
		po.val[i][i+j]=1;
	}
	
	bool flag=false;
	pre.val[0][0]=1;
	for(int i=1;i<=n;i++)
	{
		long long l,r;
		int len;
		scanf("%I64d%I64d%d",&l,&r,&len);
		if(r>=k)
		{
			r=k;
			flag=true;
		}
		po.n=len;
		po.m=len;
		pre.n=len;
		pre.m=len;
		
		now=quickpow(po,r-l);  
        for(int j=len+1;j<=15;j++)
		pre.val[j][0]=0;
        now=quickmul(now,pre);  
        for(int j=0;j<=len;j++)  
        {  
            pre.val[j][0]=now.val[j][0];  
        }  
		if(flag) break;
	}
	printf("%I64d\n",now.val[0][0]);
}


### Codeforces CF821D Okabe and City 的 01 BFS 解法 #### 题目概述 题目描述了一个 \( n \times m \) 的网格城市,其中某些单元格由路灯照亮。从左上角 (1, 1) 开始,目标是到达右下角 (\( n, m \))。允许的操作包括: - 移动到相邻的已点亮单元格。 - 如果当前所在单元格为点亮状态,则可以选择临时点亮其所在的整行或整列(代价为 1)。 最终目的是找到从起点到终点的最小代价路径[^5]。 --- #### 使用 01 BFS 的原因 本题中的边权分为两种情况: - **边权为 0**:当两个点亮的单元格在四个方向之一上相邻时。 - **边权为 1**:当两个点亮的单元格可以通过一次性点亮中间的一行或多列来连接时。 这种特殊的边权分布非常适合使用 01 BFS 来解决。相比传统的 Dijkstra 算法,01 BFS 更加高效,因为它利用双端队列(deque)实现,在处理边权仅为 0 和 1 的情况下具有线性时间复杂度。 --- #### 实现细节 以下是基于上述分析的具体实现方法: 1. **建图逻辑** - 将所有的点亮单元格作为节点。 - 对于任意两个点亮单元格 \( u \) 和 \( v \),如果它们满足以下条件之一,则建立一条边: - 它们在同一行或同一列,并且距离小于等于 2(即通过一次操作可以覆盖的距离),此时边权为 1。 - 它们直接相邻(曼哈顿距离为 1),此时边权为 0。 2. **特殊边界处理** - 若终点 (\( n, m \)) 不是一个点亮的单元格,则将其视为虚拟节点,与最近的一个点亮单元格相连,边权固定为 1。 3. **算法流程** - 初始化一个 deque 并将起点加入队列,设置初始距离为 0。 - 使用 dist 数组记录每个节点的最短距离。 - 每次从队首取出节点并更新与其相邻的所有节点的距离: - 若新距离更优,则根据边权决定放入队首还是队尾: - 边权为 0 放入队首; - 边权为 1 放入队尾。 4. **终止条件** - 当首次访问到终点时返回对应的最短距离;若遍历结束后仍未到达终点,则说明不可达。 --- #### Python 实现代码 ```python from collections import deque def okabe_and_city(lit_cells, n, m): # 坐标映射至编号 pos_to_id = {} id_to_pos = [] for idx, (r, c) in enumerate(lit_cells): pos_to_id[(r, c)] = idx id_to_pos.append((r, c)) adj_list = [[] for _ in range(len(pos_to_id))] # 构造邻接表 for i in range(len(id_to_pos)): r1, c1 = id_to_pos[i] for j in range(i + 1, len(id_to_pos)): r2, c2 = id_to_pos[j] dr, dc = abs(r1 - r2), abs(c1 - c2) if dr == 0 or dc == 0: # 同一行或一列 if max(dr, dc) <= 2: weight = 1 elif min(dr, dc) == 1: # 相邻 weight = 0 else: continue adj_list[i].append((j, weight)) adj_list[j].append((i, weight)) # 添加虚拟终点 end_r, end_c = n, m if (end_r, end_c) not in pos_to_id: virtual_end = len(adj_list) id_to_pos.append((end_r, end_c)) for node_idx in range(len(pos_to_id)): r1, c1 = id_to_pos[node_idx] if abs(end_r - r1) + abs(end_c - c1) == 1: adj_list[node_idx].append((virtual_end, 1)) adj_list[virtual_end].append((node_idx, 1)) start_node = pos_to_id.get((1, 1), None) target_node = pos_to_id.get((n, m), virtual_end) if start_node is None: return -1 # 01-BFS INF = float('inf') distance = [INF] * len(adj_list) queue = deque() distance[start_node] = 0 queue.append(start_node) while queue: current = queue.popleft() curr_dist = distance[current] for neighbor, edge_weight in adj_list[current]: new_dist = curr_dist + edge_weight if new_dist < distance[neighbor]: distance[neighbor] = new_dist if edge_weight == 0: queue.appendleft(neighbor) else: queue.append(neighbor) return distance[target_node] if distance[target_node] != INF else -1 # 输入样例解析 if __name__ == "__main__": n, m, k = map(int, input().split()) lit_cells = [tuple(map(int, input().split())) for _ in range(k)] result = okabe_and_city(lit_cells, n, m) print(result) ``` --- #### 复杂度分析 - 时间复杂度:\( O(E) \),其中 \( E \) 是构建的图中总边数。对于每一对点亮单元格最多只考虑一次,因此总体复杂度可控。 - 空间复杂度:\( O(V + E) \),存储节点和边的信息。 --- #### 结论 以上方法充分利用了 01 BFS 的特性,解决了带特定权重约束的最短路问题。这种方法不仅效率高,而且易于理解和实现。 ---
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