hdu 2586 How far away ?

本文介绍了解决LCA(最近公共祖先)问题的一种高效方法——倍增算法。通过预处理每个节点的2^j祖先,可以在O(log n)的时间复杂度内找到任意两点的最近公共祖先。

lca问题,使用倍增算法求解。

#pragma comment (linker, "/STACK:1024000000, 1024000000")
#include <map>
#include <cstdio>
#include <cstring>
#include <iostream>
#include <algorithm>

using namespace std;

const int MAX = 40010;
struct edge{
	int v, w, next;
}node[MAX << 1];

int n,m;
int cnt,head[MAX];
int f[MAX],d[MAX],deep[MAX],p[MAX][20];

void addedge(int u, int v, int w){
	node[cnt].v = v;
	node[cnt].w = w;
	node[cnt].next = head[u];
	head[u] = cnt++;
}

void dfs(int u, int pre, int t){//预处理深度和到根节点的距离
	deep[u] = t, f[u] = pre;
	for(int i=head[u]; i!=-1; i=node[i].next){
		int v = node[i].v;
		if(v != pre){
			d[v] = d[u] + node[i].w;
			dfs(v, u, t+1);
		}
	}
}

void init(){//记录<strong>各个点的2^j祖先是谁 ,其中      2^j      (j      =0...log(该点深度))倍祖先,1倍祖先就是父亲,2倍祖先是父亲的父亲......</strong>
	for(int j=0; (1<<j)<=n; j++)
		for(int i=1; i<=n; i++)
			p[i][j] = -1;
	for(int i=1; i<=n; i++) p[i][0] = f[i];
	for(int j=1; (1<<j)<=n; j++)
		for(int i=1; i<=n; i++)
			if(p[i][j-1] != -1)
				p[i][j] = p[p[i][j-1]][j-1];
}

int lca(int a, int b){
	int i, j;
	if(deep[a] < deep[b]) swap(a, b);
	for(i=0; (1<<i)<=deep[a]; i++);
	for(j=i-1; j>=0; j--)
		if(deep[a] - (1 << j) >= deep[b])
			a = p[a][j];
	if(a == b) return a;
	for(j=i-1; j>=0; j--){
		if(p[a][j] != -1 && p[a][j] != p[b][j]){
			a = p[a][j];
			b = p[b][j];
		}
	}
	return f[a];
}

int main(){
	int cas;
	scanf("%d",&cas);
	while(cas--){
		scanf("%d%d",&n,&m);
		cnt = 0;
		memset(head, -1, sizeof(head));
		for(int i=0; i<n-1; i++){
			int u, v, w;
			scanf("%d%d%d",&u,&v,&w);
			addedge(u, v, w);
			addedge(v, u, w);
		}
		d[1] = 0;
		dfs(1, -1, 0);
		init();
		for(int i=0; i<m; i++){
			int a,b;
			scanf("%d%d",&a,&b);
			int ans = d[a] + d[b] - 2*d[lca(a, b)];
			printf("%d\n",ans);
		}
	}	
	return 0;
}


内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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