【HAOI 2015】树上染色

本文深入解析树形背包动态规划算法,通过实例讲解如何在有限的点集内选择最佳染色方案,以最大化点间距离的总和。适用于解决特定类型的组合优化问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题目描述

有一棵点数为 NNN 的树,树边有边权。给你一个在 0~N0~N0N 之内的正整数 KKK,你要在这棵树中选择 KKK 个点,将其染成黑色,并将其他的 N−KN-KNK 个点染成白色。 将所有点染色后,你会获得黑点两两之间的距离加上白点两两之间的距离的和的受益。问受益最大值是多少。0≤K≤N≤20000\le K\le N\le 20000KN2000

算法分析

树形背包DP,设 f[i][j]f[i][j]f[i][j] 表示在以 iii 为根的子树中选择 jjj 个点染成黑色,子树内所有边对收益的最大贡献,根据子树内外黑白点的数目设计状态转移方程即可。

注意,下面写法中的 kkk 应倒序枚举,不然先枚举 000 的话,该子树内选择 000 个黑点所得的贡献也会被累加到该子树内选择更多黑点的答案中,从而使答案偏大。

代码实现

#include <cstdio>
#include <algorithm>
const int maxn=2005;
typedef long long int ll;
struct edge {int u,v,w;} edges[maxn<<1];
int head[maxn],nxt[maxn<<1],idx=0;
inline void add(int u,int v,int w) {
	edges[++idx]=(edge){u,v,w};
	nxt[idx]=head[u];head[u]=idx;
}
int n,K,tot[maxn];ll f[maxn][maxn];
void dfs(int x,int fa) {
	tot[x]=1;
	for(register int i=head[x];i;i=nxt[i]) {
		edge &e=edges[i];if(e.v==fa) continue;
		dfs(e.v,x);
		for(register int j=std::min(tot[x],K);j>=0;--j) {
			for(register int k=std::min(tot[e.v],K-j);k>=0;--k) {
				int cnt=(K-k)*k+(n-K-tot[e.v]+k)*(tot[e.v]-k);
				f[x][j+k]=std::max(f[x][j+k],f[x][j]+f[e.v][k]+(ll)cnt*e.w);
			}
		}
		tot[x]+=tot[e.v];
	}
}
int main() {
	scanf("%d%d",&n,&K);
	int m=n-1,u,v,w;idx=0;
	while(m--) {
		scanf("%d%d%d",&u,&v,&w);
		add(u,v,w);add(v,u,w);
	}
	dfs(1,0);
	printf("%lld\n",f[1][K]);
	return 0;
}
### 洛谷平台上的动态规划刷题推荐顺序 对于初学者来说,掌握动态规划的基础概念和常见模型非常重要。以下是基于洛谷平台的动态规划学习路径以及推荐的刷题顺序: #### 一、基础知识积累 在开始刷题之前,建议先通过课程或书籍理解动态规划的核心思想,包括状态定义、转移方程设计、边界条件处理等内容[^1]。 #### 二、入门级题目练习 从简单的线性DP入手,熟悉基本的状态表示方法和递推关系。 - **P1004 [NOIP2000 提高组] 装箱问题** - 这是一道经典的背包问题变种,适合用来初步接触动态规划中的状态压缩技巧[^4]。 - **P1048 [NOIP2005 提高组] 数字游戏** - 练习如何设定合理的状态变量并构建相应的转移矩阵[^3]。 #### 三、中级难度提升 当具备一定基础之后,尝试解决稍复杂的区间型或者形结构下的dp问题。 - **P1976 [USACO06DEC] The Cow Prom G** - 此类涉及环状序列的操作,需考虑特殊情况下循环的影响[^2]。 - **P2015 二叉苹果** - 属于典型的树上dp范畴,重在于子节贡献给父节的方式。 #### 四、高级综合应用 最后挑战那些融合多种算法思想的大规模复杂场景下的优化版dp实现。 - **P3175 [HAOI2015] 树上染色** - 结合图论知识考察选手灵活运用数据结构的能力。 - **P4774 [NOI2018] 归程** - 多重维度约束条件下最优策略的选择过程展示得淋漓尽致。 ```python def dp_example(n, m): """ A simple example of dynamic programming. :param n: Number of items (e.g., problems to solve). :param m: Total available time or resources. :return: Maximum value achievable within the limit. """ # Initialize DP table with zeros dp = [[0]*(m+1) for _ in range(n+1)] # Example input data simulation; replace this part according actual problem definition weights = [random.randint(1,10) for _ in range(n)] values = [random.randint(1,50) for _ in range(n)] for i in range(1,n+1): for j in range(m,-1,-1): if j >=weights[i-1]: dp[i][j]=max(dp[i-1][j],values[i-1]+dp[i-1][j-weights[i-1]]) else: dp[i][j]=dp[i-1][j] return dp[n][m] ```
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