PAT L2-020. 功夫传人 dfs加点优化

本文解析PAT甲级L2-020题目的算法思路及实现细节,通过DFS搜索解决家族谱系中得道者功力值计算问题,并分享了调试过程中的坑点。

L2-020. 功夫传人

时间限制
400 ms
内存限制
65536 kB
代码长度限制
8000 B

一门武功能否传承久远并被发扬光大,是要看缘分的。一般来说,师傅传授给徒弟的武功总要打个折扣,于是越往后传,弟子们的功夫就越弱…… 直到某一支的某一代突然出现一个天分特别高的弟子(或者是吃到了灵丹、挖到了特别的秘笈),会将功夫的威力一下子放大N倍 —— 我们称这种弟子为“得道者”。

这里我们来考察某一位祖师爷门下的徒子徒孙家谱:假设家谱中的每个人只有1位师傅(除了祖师爷没有师傅);每位师傅可以带很多徒弟;并且假设辈分严格有序,即祖师爷这门武功的每个第i代传人只能在第i-1代传人中拜1个师傅。我们假设已知祖师爷的功力值为Z,每向下传承一代,就会减弱r%,除非某一代弟子得道。现给出师门谱系关系,要求你算出所有得道者的功力总值。

输入格式:

输入在第一行给出3个正整数,分别是:N(<=105)——整个师门的总人数(于是每个人从0到N-1编号,祖师爷的编号为0);Z——祖师爷的功力值(不一定是整数,但起码是正数);r ——每传一代功夫所打的折扣百分比值(不超过100的正数)。接下来有N行,第i行(i=0, …, N-1)描述编号为i的人所传的徒弟,格式为:

Ki ID[1] ID[2] … ID[Ki]

其中Ki是徒弟的个数,后面跟的是各位徒弟的编号,数字间以空格间隔。Ki为零表示这是一位得道者,这时后面跟的一个数字表示其武功被放大的倍数。

输出格式:

在一行中输出所有得道者的功力总值,只保留其整数部分。题目保证输入和正确的输出都不超过1010。

输入样例:
10 18.0 1.00
3 2 3 5
1 9
1 4
1 7
0 7
2 6 1
1 8
0 9
0 4
0 3
输出样例:
404

题目链接:https://www.patest.cn/contests/gplt/L2-020

题解:

    这题真的好坑啊!为啥呢?因为我打开的方式不对(笑哭)
    这道题用dfs瞎搜一下就能骗到大部分的分数,在现场赛道的时候就是吓搜骗来了21分,一个TLE,一个WA(这个WA就是我跳入的大坑!一会再扯)
    用f[maxn]记录徒弟的师父,mark[maxn]记录得道者放大的倍数,一个for循环遍历每个得道者,计算的时候dfs一直找它师父,最终返回得道者的功力。
    如果只是像上面这么做了,那应该就是得21分,或者22分(因为你可能注意到了我入坑的地方),最后一组数据会TLE,在现场赛的时候想到了优化的方法,不过觉得只有5分,无所谓了,所以没有进行修改;拒绝TLE的方法就是增加一个hv[maxn]数组和一个gl[maxn]数组,gl[maxn]数组用于记录dfs已经计算出来的人的功力,hv[maxn]数组进行标记,这样就可以防止重复计算,回来后按照这样的方法改了改,成功过了TLE的数据;
    好,那么坑来了,这坑可能你们都没跳,就只有我会跳,为啥我有一个数据是WA!?我想了好久才发现,当总共只有一个人的时候,也就是只有祖师爷,祖师爷也可能是得道的人!所以n == 1的时候要输出z*mark[0]!我一直都只输出了z..... = =
    能爬出这坑也是个很逗逼的过程,因为我看那个数据怎么都过不了,想过可能就是n==1出的问题,不过一直没想到祖师爷也可能得道这件事,有一次提交结果是一个加了n==1输出0后continue,耗时为1,WA;还有一次提交结果是没加n==1这一段,耗时为6,WA;这让我确信过不了的那条数据就是n==1,于是仔细重读题目,才发现了爬出坑的绳子。。。。(内心崩溃)
    以后要好好读题目啊!

//#include <bits/stdc++.h>
#include<stdio.h>
#include<stdlib.h>
#include<math.h>
#include<algorithm>
#include<string.h>
#include<string>
#include<stack>
#include<queue>
#include<set>
#include<sstream>
#include<iostream>
#define INF 0x3f3f3f3f
using namespace std;
typedef long long ll;

const int maxn = 100005;

int f[maxn];
int mark[maxn];
int hv[maxn];
double gl[maxn];
int n;
double z, r;

double cal(int x){
    if(hv[x]) return gl[x];
    hv[x] = 1;
    if(f[x] == -1){
        if(mark[x]) //祖师爷也可能得道
            return gl[x] = z*mark[x];
        else
            return gl[x] = z;
    } 
    else{
        if(mark[x])
            return gl[x] = cal(f[x])/100*(100-r)*mark[x];
        else
            return gl[x] = cal(f[x])/100*(100-r);
    }
}

int main(){
    while(scanf("%d%lf%lf", &n, &z, &r) == 3 && n){
        for(int i=0; i<maxn; i++){
            f[i] = -1;
            mark[i] = 0;
            hv[i] = 0;
        }
        for(int i=0; i<n; i++){
            int k;
            scanf("%d", &k);
            if (k == 0){
                int plus;
                scanf("%d", &plus);
                mark[i] = plus;
                continue;
            }
            while(k--){
                int ch;
                scanf("%d", &ch);
                f[ch] = i;
            } 
        }
        double sum = 0;
        for(int i=0; i<maxn; i++){
            if(mark[i]){
                sum += cal(i);
            } 
        }
        int ans = sum;
        printf("%d\n", ans);
    }
    return 0;
}
标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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