bzoj_1003 物流运输

本文介绍了一种物流运输路径优化算法,旨在通过调整运输路线来最小化总成本,包括运输费用和路线变更成本。算法考虑了码头的可用性和货物运输的时间限制,采用动态规划和最短路径算法SPFA进行计算。

Description

  物流公司要把一批货物从码头A运到码头B。由于货物量比较大,需要n天才能运完。货物运输过程中一般要转
停好几个码头。物流公司通常会设计一条固定的运输路线,以便对整个运输过程实施严格的管理和跟踪。由于各种
因素的存在,有的时候某个码头会无法装卸货物。这时候就必须修改运输路线,让货物能够按时到达目的地。但是
修改路线是一件十分麻烦的事情,会带来额外的成本。因此物流公司希望能够订一个n天的运输计划,使得总成本
尽可能地小。

Input

  第一行是四个整数n(1<=n<=100)、m(1<=m<=20)、K和e。n表示货物运输所需天数,m表示码头总数,K表示
每次修改运输路线所需成本。接下来e行每行是一条航线描述,包括了三个整数,依次表示航线连接的两个码头编
号以及航线长度(>0)。其中码头A编号为1,码头B编号为m。单位长度的运输费用为1。航线是双向的。再接下来
一行是一个整数d,后面的d行每行是三个整数P( 1 < P < m)、a、b(1< = a < = b < = n)。表示编号为P的码
头从第a天到第b天无法装卸货物(含头尾)。同一个码头有可能在多个时间段内不可用。但任何时间都存在至少一
条从码头A到码头B的运输路线。

Output

  包括了一个整数表示最小的总成本。总成本=n天运输路线长度之和+K*改变运输路线的次数。

Sample Input

5 5 10 8

1 2 1

1 3 3

1 4 2

2 3 2

2 4 4

3 4 1

3 5 2

4 5 2

4

2 2 3

3 1 1

3 3 3

4 4 5

Sample Output

32

//前三天走1-4-5,后两天走1-3-5,这样总成本为(2+2)*3+(3+2)*2+10=32

首先我们很容易推出DP方程

dp[i]=min(dp[i],dp[j]+k+cost[j+1][i]);
//cost[j+1][i]表示第j+1天到第i天保持一条最短路线的费用

那么怎么求出j天到i天的最短时间呢?
只要n^2循环,每次将无法停泊的港口去除,做SPFA即可。

#include<bits/stdc++.h>
using namespace std;
long long i,j,k,n,m,tot,ans,e,qu,head,tail;
long long cost[105][105],dp[105],vis[25],day[105][25],f[25][25],dis[25];
int read(){
    char c;while(c=getchar(),(c<'0'||c>'9')&&c!='-');
    int x=0,y=1;if(c=='-') y=-1;else x=c-'0';
    while(c=getchar(),c>='0'&&c<='9') x=x*10+c-'0';
    return x*y;
}
struct node{
    int p,num;
}q[100005];
int spfa(int a,int b){
    for(int i=1;i<=n;i++) vis[i]=0,dis[i]=2e8;
    for(int i=a;i<=b;i++){
        for(int j=1;j<=n;j++)
           if(day[i][j]==1) vis[j]=-1;
    }
    int ans=0;
    head=0,tail=1;dis[1]=0;q[tail].p=1;q[tail].num=0;
    while(head<tail){
        head++;
        int u1=q[head].num,u2=q[head].p;
        for(int i=1;i<=n;i++)
           if(vis[i]!=-1&&dis[i]>u1+f[u2][i]&&f[u2][i]!=0)
              dis[i]=u1+f[u2][i],q[++tail].num=dis[i],q[tail].p=i;
    }
    return dis[n];
}
int minn(int a,int b){return a<b?a:b;}
int main()
{
    freopen("logistics.in","r",stdin);freopen("logistics.out","w",stdout);
    m=read();n=read();k=read();e=read();
    for(int i=1;i<=e;i++){
        int a=read(),b=read(),c=read();
        f[a][b]=f[b][a]=c;
    }
    qu=read();for(int i=1;i<=qu;i++){
        int a=read(),b=read(),c=read();
        for(int j=b;j<=c;j++) day[j][a]=1;
    }
    for(register int i=1;i<=m;i++)
     for(register int j=i;j<=m;j++){
        if(spfa(i,j)!=2e8) cost[i][j]=spfa(i,j)*(j-i+1);
        else cost[i][j]=2e8;
     }
    for(register int i=1;i<=m;i++) 
      dp[i]=cost[1][i];
    for(int i=1;i<=m;i++) 
     for(int j=0;j<i;j++)
      if(cost[j+1][i]!=2e8) dp[i]=min(dp[i],dp[j]+k+cost[j+1][i]);
    printf("%d",dp[m]);
    return 0;
}

转载于:https://www.cnblogs.com/stevensonson/p/7612199.html

### NOIP2015 运输计划 BZOJ4326 题解分析 #### 问题背景 该问题是经典的图论优化问题之一,主要考察树结构上的路径操作以及高效的数据处理能力。题目要求在一个由 $n$ 个节点组成的无向连通树中找到最优的一条边将其改造为虫洞(通过此边不需要耗费时间),从而使得给定的 $m$ 条运输路径中的最长耗时最小化。 --- #### 解决方案概述 解决这一问题的核心在于利用 **二分答案** 和 **树上差分技术** 的组合来实现高效的计算过程。以下是具体的技术细节: 1. **二分答案**: 设当前目标是最小化的最大路径长度为 $T_{\text{max}}$。我们可以通过二分的方式逐步逼近最终的结果。每次尝试验证是否存在一种方式将某条边改为虫洞后使所有路径的最大值不超过当前设定的目标值 $mid$[^1]。 2. **路径标记与统计**: 使用树上差分的思想对每一条路径进行标记并快速统计受影响的情况。假设两点之间的最近公共祖先 (Lowest Common Ancestor, LCA) 是 $r = \text{lca}(u_i, v_i)$,则可以在三个位置分别施加影响:增加 $(u_i + 1), (v_i + 1)$ 同时减少 $(r - 2)$。这种操作能够有效覆盖整条路径的影响范围,并便于后续统一查询和判断[^1]。 3. **数据结构支持**: 结合线段树或者 BIT (Binary Indexed Tree),可以进一步加速区间修改和单点查询的操作效率。这些工具帮助我们在复杂度范围内完成大量路径的同时更新和检索需求[^2]。 4. **实际编码技巧**: 实现过程中需要注意一些边界条件和技术要点: - 正确维护 DFS 序列以便映射原树节点到连续编号序列; - 准备好辅助函数用于快速定位 LCA 节点及其对应关系; - 编码阶段应特别留意变量初始化顺序及循环终止逻辑以防潜在错误发生。 下面给出一段基于上述原理的具体 Python 实现代码作为参考: ```python from collections import defaultdict, deque class Solution: def __init__(self, n, edges): self.n = n self.graph = defaultdict(list) for u, v, w in edges: self.graph[u].append((v, w)) self.graph[v].append((u, w)) def preprocess(self): """Preprocess the tree to get dfs order and lca.""" pass def binary_search_answer(self, paths): low, high = 0, int(1e9) best_possible_time = high while low <= high: mid = (low + high) // 2 if self.check(mid, paths): # Check feasibility with current 'mid' best_possible_time = min(best_possible_time, mid) high = mid - 1 else: low = mid + 1 return best_possible_time def check(self, limit, paths): diff_array = [0]*(self.n+1) for path_start, path_end in paths: r = self.lca(path_start, path_end) # Apply difference on nodes based on their relationship. diff_array[path_start] += 1 diff_array[path_end] += 1 diff_array[r] -= 2 suffix_sum = [sum(diff_array[:i]) for i in range(len(diff_array)+1)] # Verify whether any edge can be modified within given constraints. possible_to_reduce_max = False for node in range(1, self.n+1): parent_node = self.parent[node] if suffix_sum[node]-suffix_sum[parent_node]>limit: continue elif not possible_to_reduce_max: possible_to_reduce_max=True return possible_to_reduce_max # Example usage of class methods would follow here... ``` --- #### 总结说明 综上所述,本题的关键突破点在于如何巧妙运用二分策略缩小搜索空间,再辅以恰当的树形结构遍历技术和差分手段提升整体性能表现。这种方法不仅适用于此类特定场景下的最优化求解任务,在更广泛的动态规划领域也有着广泛的应用前景[^3]。 ---
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