BZOJ2888 资源运输(LCT启发式合并)

本文介绍了一种使用启发式合并技术优化树合并过程的方法,并通过维护树的重心来保持树的平衡状态,实现高效的节点添加操作。文章提供了一个具体的实现案例,包括如何维护子树大小、距离之和等关键信息。

这道题目太神啦!
我们考虑他的每一次合并操作,为了维护两棵树合并后树的重心,我们只好一个一个的把节点加进去。那么这样一来看上去似乎就是一次操作O(nlogn),但是我们拥有数据结构的合并利器——启发式合并,那么我们就可以在均摊O(log2n)的时间内合并一颗树,这题就可以完美的AC啦!
什么,你问怎么维护重心?我们可以记录一个值sb表示子树的大小。怎么维护sb呢?我们可以采用打标记的方法,把新加入的节点到根的路径上的点的sb值都+1
对于维护答案,我们维护一个sm变量,来保存子树内所有节点到这个节点的距离之和,在更新的时候采用维护一个等差数列的方法,记录首项和公差,然后在pushdown的时候如果走给Splay的左儿子,那么还要加上这个点的右儿子到首项上(因为右儿子实际上是左儿子的后代(LCT意义下))。

#include <cstdio>
#include <algorithm>
#include <assert.h>
using namespace std;
#define MAXN 40005
#define lc(x) (t[x].s[0])
#define rc(x) (t[x].s[1])
int n, m, adj[MAXN], c, ans;
inline void GET(int &n) {
    char c; n = 0;
    do c = getchar(); while(c > '9' || c < '0');
    while(c >= '0' && c <= '9') {n=n*10+c-'0';c=getchar();}
}
struct Node { int v, nxt; } e[MAXN << 1];
inline void add(int u, int v) {
    ++ c; e[c].v = v; e[c].nxt = adj[u]; adj[u] = c;
}
struct Link_Cut_Cactus {
    int fa[MAXN], sta[MAXN];
    struct Spaly { int f, sz, a, d, sm, s[2], sb, db; } t[MAXN];
    /**依次表示爸爸,spaly字数大小,首项,公差,子树到此节点的距离,儿子,子树大小**/
    inline void init() { for(int i = 1; i <= n; ++ i) t[i].sz = t[i].sb = 1; }
    inline void pushup(int x) { t[x].sz = t[lc(x)].sz + t[rc(x)].sz + 1; }
    inline void add1(int x, int tag) {
        if(x) { t[x].sb += tag; t[x].db += tag; }
    }
    inline void add2(int x, int a, int d) {
        if(x) { t[x].sm += a + t[rc(x)].sz * d; t[x].a += a; t[x].d += d; }
    }
    inline void pushdown(int x) {
        if(t[x].db) { add1(lc(x), t[x].db); add1(rc(x), t[x].db); t[x].db = 0; }
        if(t[x].d) { add2(lc(x), t[x].a + (t[rc(x)].sz+1)*t[x].d, t[x].d); add2(rc(x), t[x].a, t[x].d); t[x].d = 0; }
    }
    inline void rot(int x) {
        int y = t[x].f, z = t[y].f;
        bool f = rc(y) == x;
        fa[x] = fa[y]; t[x].f = z;
        t[y].s[f] = t[x].s[f^1];
        t[x].s[f^1] = y; t[y].f = x;
        if(t[y].s[f]) t[t[y].s[f]].f = y;
        if(z) t[z].s[ rc(z) == y ] = x;
        pushup(y);
    }
    inline void Splay(int x) {
        int tp = 0;
        for(int p = x; p; p = t[p].f) sta[++ tp] = p;
        while(tp) pushdown(sta[tp --]);
        for(int y, z; (y = t[x].f); rot(x)) {
            z = t[y].f; if(!z) continue;
            if((rc(z) == y) == (rc(y) == x)) rot(y);
            else rot(x);
        }
        pushup(x);
    }
    inline void expose(int x, int y = 0) {
        Splay(x);
        if(t[x].s[1]) {
            t[t[x].s[1]].f = 0;
            fa[t[x].s[1]] = x;
        }
        t[x].s[1] = y;
        if(y) t[y].f = x;
        pushup(x);
    }
    inline void access(int x, int y = 0) {
        while(x) { expose(x, y); y = x; x = fa[x]; }
    }
    inline int root(int x) {
        access(x); Splay(x); while(lc(x)) x = lc(x); return Splay(x), x;
    }
    inline void addleaf(int x, int to) {
        fa[x] = to; t[x].sz = 1; t[x].a = lc(x) = rc(x) = 0;
        t[x].d = t[x].db = t[x].f = t[x].sb = t[x].sm = 0;
        to = root(to); access(x); Splay(to); add1(to, 1); add2(to, 0, 1);
        for(x = rc(to); lc(x); x = lc(x)); Splay(x);
        int vx = t[to].sb, vy = t[x].sb;
        if(vy * 2 > vx) {
            t[x].sb = vx; t[to].sb -= vy;
            t[to].sm -= t[x].sm + vy;
            t[x].sm += t[to].sm + vx - vy;
            access(x); Splay(to);
            swap(lc(to), rc(to));
        }
    }
    void dfs(int u, int fa) {
        addleaf(u, fa);
        for(int i = adj[u]; i; i = e[i].nxt)
            if(e[i].v != fa) dfs(e[i].v, u);
    }
    void Link(int u, int to) {
        int x = root(u), y = root(to);
        ans -= t[x].sm + t[y].sm;
        if(t[x].sb < t[y].sb) swap(u, to);
        dfs(to, u); add(u, to); add(to, u);
        ans += t[root(u)].sm;
    }
} lct;
int main() {
    char op[5]; int u, v;
    scanf("%d%d", &n, &m);
    lct.init();
    for(int i = 1; i <= m; ++ i) {
        scanf("%s", op);
        if(op[0] == 'A') {
            GET(u); GET(v); lct.Link(u, v);
        }
        else printf("%d\n", ans);
    }
    return 0;
}
考虑柔性负荷的综合能源系统低碳经济优化调度【考虑碳交易机制】(Matlab代码实现)内容概要:本文围绕“考虑柔性负荷的综合能源系统低碳经济优化调度”展开,重点研究在碳交易机制下如何实现综合能源系统的低碳化与经济性协同优化。通过构建包含风电、光伏、储能、柔性负荷等多种能源形式的系统模型,结合碳交易成本与能源调度成本,提出优化调度策略,以降低碳排放并提升系统运行经济性。文中采用Matlab进行仿真代码实现,验证了所提模型在平衡能源供需、平抑可再生能源波动、引导柔性负荷参与调度等方面的有效性,为低碳能源系统的设计与运行提供了技术支撑。; 适合人群:具备一定电力系统、能源系统背景,熟悉Matlab编程,从事能源优化、低碳调度、综合能源系统等相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究碳交易机制对综合能源系统调度决策的影响;②实现柔性负荷在削峰填谷、促进可再生能源消纳中的作用;③掌握基于Matlab的能源系统建模与优化求解方法;④为实际综合能源项目提供低碳经济调度方案参考。; 阅读建议:建议读者结合Matlab代码深入理解模型构建与求解过程,重点关注目标函数设计、约束条件设置及碳交易成本的量化方式,可进一步扩展至多能互补、需求响应等场景进行二次开发与仿真验证。
### 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 1
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