【洛谷P5290】【LOJ3052】春节十二响【堆】

博客围绕树节点集合划分问题展开,要求将树的每个节点划分进集合,使集合内任意两点非祖先 - 后代关系,求最小费用和。思路是通过堆合并子树,每次取堆顶元素合并,为避免时间复杂度被卡,采用启发式合并,最后给出代码。

题目大意:

题目链接:
洛谷:https://www.luogu.org/problemnew/show/P5290
LOJ:https://loj.ac/problem/3052
将一棵树的每一个节点划分进一个集合,要求任意集合内的任意两点不可以是祖先 — 后代关系,每一个集合的费用为该集合内点的最大权值。求最小费用和。


思路:

我们假设一个节点有两个子节点,并且以该节点为根的子树全部只有一个子节点(该节点除外)
在这里插入图片描述
设黄色节点的最大值为 m a x max max且在以 x x x为根的子树内,那么 x x x显然是要与以 y y y为根的子树内的最大权值的节点合并的,这样显然可以减少接下来合并的费用。
那么我们将 x x x y y y合并时,我们对于每一个子树合并一个堆,每次将堆顶元素取出并合并为权值更大的那个。这样我们就维护好了两个子树的费用。
假设 r o o t root root有多个子节点,那么我们每次合并两个节点,并赋值到 r o o t root root中,所有子节点的集合合并完之后再将 r o o t root root的权值加入堆中。
但是这样的时间复杂度很容易被卡,所以我们要用启发式合并,每次把大小相对小的往大小相对大的合并,这样每一个节点最多被合并 log ⁡ n \log n logn次,时间复杂度 O ( n log ⁡ n ) O(n\log n) O(nlogn)


代码:

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

const int N=200010;
int n,tot,a[N],head[N],p[N];
priority_queue<int> q[N];
ll ans;

struct edge
{
	int next,to;
}e[N];

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

void merge(int &x,int &y)
{
	if (q[x].size()<q[y].size()) swap(x,y);
	while (q[y].size())
	{
		q[0].push(max(q[x].top(),q[y].top()));
		q[x].pop(); q[y].pop();
	}
	for (;q[0].size();q[0].pop()) q[x].push(q[0].top());
}

void dfs(int x)
{
	p[x]=x;
	for (int i=head[x];~i;i=e[i].next)
	{
		dfs(e[i].to);
		merge(p[x],p[e[i].to]);
	}
	q[p[x]].push(a[x]);
}

int main()
{
	memset(head,-1,sizeof(head));
	scanf("%d",&n);
	for (int i=1;i<=n;i++)
		scanf("%d",&a[i]);
	for (int i=2,x;i<=n;i++)
	{
		scanf("%d",&x);
		add(x,i);
	}
	dfs(1);
	for (;q[p[1]].size();q[p[1]].pop())
		ans+=q[p[1]].top();
	printf("%lld\n",ans);
	return 0;
}
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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