【JZOJ3302】供电网络【费用流】

本文探讨了一种电力网络中的费用流问题,旨在通过优化电力分配,最小化因电力输送产生的额外费用。介绍了一个涉及电力供需、电线输送限制及成本的复杂模型,并详细解释了如何利用费用流算法解决这一问题,包括买入卖出、多余的流量和电线处理等关键步骤。

题目大意:

题目链接:https://jzoj.net/senior/#main/show/3302
阿狸和桃子居住的世界里, 只有一个国家, 这个国家有很多城市, 每个城市直接由中央政府管辖.
电力是这个国家的唯一能源, 但是每个城市的发电能力都不一样, 于是就产生了某些城市电力不足, 而某些城市却电力过剩的情况.
阿狸作为国家的首席工程师, 阿狸的一项重要工作就是均衡整个国家的电力, 使得每个城市的电力都恰好没有剩余或不足.
好在一些城市之间有电线可以输送电力, 这些电线都有自己的输送上限和下限, 并且输送电力的同时会产生大量的热.
每条电线i 发出的热量一定是关于输送电量的一个没有常数项的二次函数,即a_ix^2+b_ix, 并且由于电线是二极管做成的, 很显然只能单向输送电力. 每单位热量需要用1 单位的金币来冷却. 任何两个城市之间, 至多有一条电线.
不幸的是, 有时电力网络不像我们想的那么完美, 某些情况下可能无论如何都不能满足整个国家的电力需求. 这种情况下就只好向别的世界购买电力或者将电力输出给别的世界(注意, 每个城市的电力不能有剩余!), 每个城市买入或者输出电力的价格是不一样的(输出也要花钱).
由于阿狸的国家没有小数的概念, 输送,、购买或者交换电力都必须是以整数1 为单位.
阿狸的任务是最小化金币的花费(买入/送出的费用+电线上发热的冷却费用),他最近被这个问题搞得焦头烂额, 以至于没有时间去陪桃子玩, 结果天天被桃子骂T_T. 好在有你, 万能的程序猿, 请你编写一个程序来帮阿狸解决这个问题吧.


思路:

显然是一个有上下界的费用流。
这道题中以“电力”作为流量,“钱”作为费用。
这道题中,会有3种边:

  1. 买入&卖出
  2. 多余的流量&不足的流量(流量即电力)
  3. 电线
1. 1. 1.买入&卖出

由于在一个点买入电是可以再通过电线转移到其他点的,所以任意一个点的买入&卖出流量上限均为 + ∞ +\infty +。然后由于题目中已经给出了每一个点的买入&卖出流量的费用,所以这里可以直接建边。
在这里插入图片描述

2. 2. 2.多余的流量&不足的流量

对于流量,显然如果一个点多出 x x x的流量,那么就从源点向这个点连 x − L [ i ] x-L[i] xL[i]的流量,因为若这条边的流量下限为 L [ i ] L[i] L[i],那么 L [ i ] L[i] L[i]是一定会流的,所以可以直接在答案中将这 L [ i ] L[i] L[i]做出的贡献加上,然后流量就要减去 L [ i ] L[i] L[i]了。
费用的话正常来说应该为0,但是如果这个点有多余(不足)的流量的话,显然把这些流量流走会更优。所以我们就得让 s p f a spfa spfa先跑这条路。所以我们可以把这条路的费用设为 − ∞ -\infty ,最终求出来的 c o s t cost cost再赋值为 ( c o s t % ∞ + ∞ ) % ∞ (cost\%\infty+\infty)\%\infty (cost%+)%。这样就可以在不改变答案的情况下先跑这条边,因为最短路会优先选择边短的路跑。
在这里插入图片描述

3. 3. 3.电线

正常来说,一个点连接到另一个点应该是 ( + ∞ , a x 2 + b x ) (+\infty,ax^2+bx) (+,ax2+bx)。但是考虑到后面的 a x 2 + b x ax^2+bx ax2+bx不是一个常数,所以可以考虑拆边。
在这里插入图片描述
这样的话,如果原图流量为 i i i,那么在现图就只要流前 i i i条路。因为这样的话它们的费用 a x 2 + b x ax^2+bx ax2+bx是等于 a + b + 3 a + b + 5 a + b . . . a+b+3a+b+5a+b... a+b+3a+b+5a+b...的。而且后者可以控制每一条边的流量为1且费用为固定常数。
在这里插入图片描述
但是这样也有缺点:中间的边的数量太多了,而且很多时候用不到。所以加上一个动态开边就可以了。每次 s p f a spfa spfa前判断每一条边是否要开一条新边。这样可以大大减少运行时间。


代码:

#include <queue>
#include <cstdio>
#include <cstring>
#include <algorithm>
using namespace std;

const int N=210,M=50010,Inf=233333;
int n,m,S,T,cost,ans,tot=1,head[N],dis[N],pre[N],X[M],Y[M],L[M],R[M],A[M],B[M],left[N],cnt[N][N];
bool vis[N];

struct edge
{
	int next,to,flow,cost,from;
}e[M];

void add(int from,int to,int flow,int cost)
{
	e[++tot].to=to;
	e[tot].from=from;
	e[tot].flow=flow;
	e[tot].cost=cost;
	e[tot].next=head[from];
	head[from]=tot;
	
	swap(from,to);
	e[++tot].to=to;
	e[tot].from=from;
	e[tot].flow=0;
	e[tot].cost=-cost;
	e[tot].next=head[from];
	head[from]=tot;
}

void addedge()
{
	for (int i=1;i<=m;i++)
	{
		int u=X[i],v=Y[i];
		if (L[i]==cnt[u][v] && L[i]<R[i])
		{
			L[i]++;
			add(u,v,1,A[i]*(L[i]*2-1)+B[i]);
		}
	}
}

bool spfa()
{
	addedge();
	memset(dis,0x3f3f3f3f,sizeof(dis));
	memset(vis,0,sizeof(vis));
	queue<int> q;
	q.push(S);
	dis[S]=0; vis[S]=1;
	while (q.size())
	{
		int u=q.front(),v;
		q.pop();
		vis[u]=0;
		for (int i=head[u];~i;i=e[i].next)
		{
			v=e[i].to;
			if (e[i].flow && dis[v]>dis[u]+e[i].cost)
			{
				dis[v]=dis[u]+e[i].cost;
				pre[v]=i;
				if (!vis[v])
				{
					vis[v]=1;
					q.push(v);
				}
			}
		}
	}
	return dis[T]<=0;
}

void addflow()
{
	for (int x=T;x!=S;x=e[pre[x]].from)
	{
		int u=e[pre[x]].from,v=e[pre[x]].to;
		e[pre[x]].flow--;
		e[pre[x]^1].flow++;
		cnt[u][v]++;
		cnt[v][u]--;
	}
	cost+=dis[T];
}

int MCMF()
{
	while (spfa())
		addflow();
}

int main()
{
	memset(head,-1,sizeof(head));
	scanf("%d%d",&n,&m);
	S=N-2; T=N-1;
	for (int i=1,x,y,z;i<=n;i++)
	{
		scanf("%d%d%d",&left[i],&y,&z);
		add(S,i,Inf,y); add(i,T,Inf,z);
	}
	for (int i=1;i<=m;i++)
	{
		scanf("%d%d%d%d%d%d",&X[i],&Y[i],&A[i],&B[i],&L[i],&R[i]);
		cost+=A[i]*L[i]*L[i]+B[i]*L[i];
		cnt[X[i]][Y[i]]+=L[i]; cnt[Y[i]][X[i]]-=L[i];
		left[X[i]]-=L[i]; left[Y[i]]+=L[i];
	}
	for (int i=1;i<=n;i++)
		if (left[i]>0) add(S,i,left[i],-Inf);
			else add(i,T,-left[i],-Inf);
	MCMF();
	printf("%d",(cost%Inf+Inf)%Inf);
	return 0;
}
MATLAB主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性内容概要:本文主要介绍了一种在MATLAB环境下实现的主动噪声和振动控制算法,该算法针对较大的次级路径变化具有较强的鲁棒性。文中详细阐述了算法的设计原理与实现方法,重点解决了传统控制系统中因次级路径动态变化导致性能下降的问题。通过引入自适应机制和鲁棒控制策略,提升了系统在复杂环境下的稳定性和控制精度,适用于需要高精度噪声与振动抑制的实际工程场景。此外,文档还列举了多个MATLAB仿真实例及相关科研技术服务内容,涵盖信号处理、智能优化、机器学习等多个交叉领域。; 适合人群:具备一定MATLAB编程基础和控制系统理论知识的科研人员及工程技术人员,尤其适合从事噪声与振动控制、信号处理、自动化等相关领域的研究生和工程师。; 使用场景及目标:①应用于汽车、航空航天、精密仪器等对噪声和振动敏感的工业领域;②用于提升现有主动控制系统对参数变化的适应能力;③为相关科研项目提供算法验证与仿真平台支持; 阅读建议:建议读者结合提供的MATLAB代码进行仿真实验,深入理解算法在不同次级路径条件下的响应特性,并可通过调整控制参数进一步探究其鲁棒性边界。同时可参考文档中列出的相关技术案例拓展应用场景。
### 解题思路 题目要求解决的是一个与图相关的最小覆盖问题,通常在特定条件下可以通过状态压缩动态规划(State Compression Dynamic Programming, SCDP)来高效求解。由于状态压缩的适用条件是状态维度较小(例如K≤10),因此可以利用二进制表示状态集合,从而优化计算过程。 #### 1. 状态表示 - 使用一个整数 `mask` 表示当前选择的点集,其中第 `i` 位为 `1` 表示第 `i` 个节点被选中。 - 定义 `dp[mask]` 表示在选中 `mask` 所代表的点集后,能够覆盖的节点集合。 - 可以通过预处理每个点的邻域信息(包括自身和所有直接连接的点),快速更新状态。 #### 2. 预处理邻域 对于每个节点 `u`,预先计算其邻域范围 `neighbor[u]`,即从该节点出发一步能到达的所有节点集合。这样,在后续的状态转移过程中,可以直接使用这些信息进行合并操作。 #### 3. 状态转移 - 初始化:对每个单独节点 `u`,设置初始状态 `dp[1 << u] = neighbor[u]`。 - 转移规则:对于任意两个状态 `mask1` 和 `mask2`,如果它们没有交集,则可以通过合并这两个状态得到新的状态 `mask = mask1 | mask2`,并更新对应的覆盖范围为 `dp[mask1] ∪ dp[mask2]`。 - 在所有状态生成之后,检查是否某个状态的覆盖范围等于全集(即覆盖了所有节点)。如果是,则记录此时使用的最少节点数量。 #### 4. 最优解提取 遍历所有可能的状态,找出能够覆盖整个图的最小节点数目。 --- ### 时间复杂度分析 - 状态总数为 $ O(2^K) $,其中 `K` 是关键点的数量。 - 每次状态转移需要枚举所有可能的子集组合,复杂度为 $ O(2^K \cdot K^2) $。 - 整体时间复杂度控制在可接受范围内,适用于 `K ≤ 10~20` 的情况。 --- ### 代码实现(状态压缩 DP) ```cpp #include <bits/stdc++.h> using namespace std; const int MAXN = 25; int neighbor[MAXN]; // 每个节点的邻域 int dp[1 << 20]; // dp[mask] 表示选中的点集合为 mask 时所能覆盖的点集合 int min_nodes; // 最小覆盖点数 void solve(int n, vector<vector<int>>& graph) { // 预处理每个节点的邻域 for (int i = 0; i < n; ++i) { neighbor[i] = (1 << i); // 包括自己 for (int j : graph[i]) { neighbor[i] |= (1 << j); } } // 初始化 dp 数组 memset(dp, 0x3f, sizeof(dp)); for (int i = 0; i < n; ++i) { dp[1 << i] = neighbor[i]; } // 状态转移 for (int mask = 1; mask < (1 << n); ++mask) { if (__builtin_popcount(mask) >= min_nodes) continue; // 剪枝 for (int sub = mask & (mask - 1); sub; sub = (sub - 1) & mask) { int comp = mask ^ sub; if (comp == 0) continue; int new_mask = mask; int covered = dp[sub] | dp[comp]; if (covered == (1 << n) - 1) { min_nodes = min(min_nodes, __builtin_popcount(new_mask)); } dp[new_mask] = min(dp[new_mask], covered); } } } int main() { int n, m; cin >> n >> m; vector<vector<int>> graph(n); for (int i = 0; i < m; ++i) { int u, v; cin >> u >> v; graph[u].push_back(v); graph[v].push_back(u); // 无向图 } min_nodes = n; solve(n, graph); cout << "Minimum nodes required: " << min_nodes << endl; return 0; } ``` --- ### 优化策略 - **剪枝**:当当前状态所用节点数已经超过已知最优解时,跳过后续计算。 - **提前终止**:一旦发现某个状态覆盖了全部节点,并且节点数达到理论下限,即可提前结束程序。 - **空间优化**:可以仅保存当前轮次的状态,减少内存占用。 --- ### 总结 本题通过状态压缩动态规划的方法,将原本指数级复杂度的问题压缩到可接受范围内。结合位运算技巧和预处理机制,能够高效地完成状态转移和覆盖判断操作。 ---
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