jzoj1656. 【2010集训队出题】数据读取问题

探讨了在平行宇宙理论背景下,如何优化数据读取策略以达到最小代价完成数据读取的问题。通过构建数据事件图,运用最短路径算法如BFS进行求解,旨在寻找所有可能宇宙中读取数据所需的最小代价。

题目描述

Description
平行宇宙,或者叫做多重宇宙论,这是一种在物理学里尚未被证实的理论。

我们假想,在某个事件点(以时间为轴)之后,宇宙的运行轨迹会出现许多可能,而这些可能的宇宙是平行的。举例来说,从我们现在存在的这个宇宙开始,每过一个时刻,宇宙就会分成很多个,在这些宇宙中,会有成为警察的你,会有成为总理的你,等等。而这些不同的宇宙是相互平行的,且在之后的发展中也是平行,不会相交。

现在我们进入正题。

我们正在使用计算机读数据,数据有K行,每行一个非负整数。我们需要按如下方式读取数据:

1、首先读入第一个数,需要支付1的代价。

2、我们假设读入的数是x,那么我们需要读入接下来x个数。

3、如果文件已经读完,则读入结束;否则我们接着再读一个数(需要支付111的代价),然后转2。

数据保证任何一个读入的x,在他后面至少还有x个数字。虽然按照上面的方法一定可以恰好读完数据,但是这么做支付的代价不一定是最小的,你可以修改读入的那个x,可以把x修改为x+y或者x-y,不过必须保证,值仍然是非负整数,且接下来有不少于x±y个数。

而我们需要支付的代价就是y。

相信你已经猜到我们的问题了,那就是恰好读完所有数据,需要支付的最少代价是多少。

等等,似乎还缺了什么。没错,我们并不知道这些数据是什么,但我们知道这些数据可能是什么,就像薛定谔的猫。在没有读入这个数字之前,它什么都是,

一旦读入了这个数,根据结果,我们就进入了不同的平行世界。

现在我将告诉你宇宙可能出现的轨迹,希望你计算出所有不同的结果(读完数据需要支付的最小代价)。

Input
为了方便起见,我们把读入一个数看成一个事件,我们用1 … N把所有可能的事件编号。

第一行,读入一个整数N,表示可能的事件的个数。

接下来N行,第i+1行描述第i个事件。第i个事件,将会告知这些参数x m a1 a2 a3 … :

x 表示第iii个事件的数据值是多少。

m 表示这个事件之后有多少种可能出现的事件,编号是a1 a2 a3 …。

其中第1个事件,它的数据值一定是-1,因为这时第一个数还未读入。也就是说,第1个事件所相关的事件a1 a2 a3 …,就是读入的第一个数所有的可能值。且如果某个事件m=0,那么这个所读入的数x,就是数据中的最后一个数。

Output
输出M行,M是最终所有可能的不同宇宙的个数。

每行输出一个最小的代价值,按照代价值的大小,从小到大输出。

Sample Input
7

-1 1 2

1 2 3 7

3 1 4

0 1 5

0 1 6

0 0

0 0

Sample Output
1

3

Data Constraint
数据保证有20% 的数据N≤2000;

保证有60%的数据N≤200000;

另有20%的数据,输出的个数M ≤50。

所有数据N≤1000000。

难点在于读题
如果只有一条链,那么只有唯一的数列a
在a的最后加一个空点,表示终点

考虑最短路
设f[i]表示准备选i的最小代价
对于x±y,考虑先跳到x,再向前/后跳
所以i向i+ai+1连长度为1的边,i(i≠1和1的儿子,因为只有跳了第一次后才能调整y)向i±1连长度为1的边

因为所有的边长度都为1,所以直接bfs覆盖就行了

大致同链,如果能建出图来,跑bfs的时间还是O(n)
先在叶子节点后面建结束点,然后每个点i(i≠1和1的儿子)向相邻节点连长度为1的边
跑最短路就直接从1的儿子开始

现在问题是,如果点i要向子树中深度=deep[i]+a[i]+1的连边,可能会连出n2条边
因为树的形态不变,所以可以从dfs序D和bfs序B中下手
点i向下走a[i]+1步走到的点为D[i的编号+a[i]+1],并且在bfs序中连续一段深度相同且在子树i中的第一个

所以可以在bfs时找第一个点,依次更新(前提是这个点未被遍历过)并与下一个点合并(并查集)
这样的时间复杂度为O(nα(n))(2n条边,每个点最多被合并一次)

code

#include <algorithm>
#include <iostream>
#include <cstdlib>
#include <cstring>
#include <cstdio>
#define fo(a,b,c) for (a=b; a<=c; a++)
#define fd(a,b,c) for (a=b; a>=c; a--)
using namespace std;

int A[2000001][2];
int Ls[2000001];
int a[4000001][2];
int ls[2000001];
int b[2000001];
int D[2000001]; //dfs xu
int B[2000001]; //bfs xu
int I[2000001];
int d[2000001];
int dfn[2000001][2];
int bfsx[2000001];
bool bz[2000001];
int fa[2000001];
int lf[2000001];
int f[2000001];
bool BZ[2000001];
int dp[2000001]; //deep
int ans[1000001];
int Fa[2000001];
int N,n,m,i,j,k,l,Len,len,h,t,tot;

void NEW(int x,int y)
{
	++Len;
	A[Len][0]=y;
	A[Len][1]=Ls[x];
	Ls[x]=Len;
}
void New(int x,int y)
{
	++len;
	a[len][0]=y;
	a[len][1]=ls[x];
	ls[x]=len;
}

int gf(int t)
{
	l=0;
	while (fa[t]!=t)
	{
		Fa[++l]=t;
		t=fa[t];
	}
	
	while (l)
	{
		fa[Fa[l]]=t;
		--l;
	}
	
	return t;
}

void dfs()
{
	int i;
	
	fo(i,1,n)
	I[i]=Ls[i];
	
	l=0;
	
	d[1]=1;
	t=1;
	
	while (t)
	{
		if (I[d[t]]==Ls[d[t]])
		{
			++l;
			D[l]=d[t];
			dfn[d[t]][0]=l;
		}
		
		if (I[d[t]])
		{
			d[t+1]=A[I[d[t]]][0];
			I[d[t]]=A[I[d[t]]][1];
			
			++t;
		}
		else
		{
			dfn[d[t]][1]=l;
			--t;
		}
	}
}

void bfs()
{
	int i;
	
	h=0;
	t=1;
	
	B[1]=1;
	bfsx[1]=1;
	bz[1]=1;
	dp[1]=1;
	
	while (h<t)
	{
		for (i=Ls[B[++h]]; i; i=A[i][1])
		if (!bz[A[i][0]])
		{
			bz[A[i][0]]=1;
			dp[A[i][0]]=dp[B[h]]+1;
			
			++t;
			B[t]=A[i][0];
			bfsx[A[i][0]]=t;
		}
	}
}

void Bfs(int T)
{
	int i;
	
	h=0;
	t=1;
	d[1]=T;
	f[T]=1;
	
	while (h<t)
	{
		++h;
		
		for (i=ls[d[h]]; i; i=a[i][1])
		if (!f[a[i][0]])
		{
			f[a[i][0]]=f[d[h]]+1;
			d[++t]=a[i][0];
		}
		
		i=gf(lf[d[h]]); 
		while (dfn[d[h]][0]<=dfn[i][0] && dfn[i][1]<=dfn[d[h]][1])
		{
			if (!f[i])
			{
				f[i]=f[d[h]]+1;
				d[++t]=i;
			}
			
			i=bfsx[i];
			if (i==N)
			break;
			
			if (dp[gf(B[i])]==dp[gf(B[i+1])])
			{
				fa[fa[B[i]]]=fa[B[i+1]];
				i=gf(B[i+1]);
			}
			else
			break;
		}
	}
}

int main()
{
//	freopen("data10.in","r",stdin);
//	freopen("S8_1_3.out","w",stdout);
//	freopen("S8_1_3.in","r",stdin);
	
	scanf("%d",&n);
	fo(i,1,n)
	{
		scanf("%d%d",&b[i],&m);
		
		fo(j,1,m)
		{
			scanf("%d",&k);
			NEW(i,k);
		}
	}
	b[1]=0;
	
	N=n;
	fo(i,1,n)
	if (!Ls[i])
	{
		++N;
		NEW(i,N);
	}
	
	dfs();
	bfs();
	
	fo(i,1,N)
	fa[i]=i;
	
	fo(i,1,n)
	lf[i]=D[dfn[i][0]+b[i]+1];
	
	BZ[1]=1;
	for (i=Ls[1]; i; i=A[i][1])
	BZ[A[i][0]]=1;
	
	fo(j,2,N)
	if (!BZ[j])
	{
		for (i=Ls[j]; i; i=A[i][1])
		if (!BZ[A[i][0]])
		{
			New(j,A[i][0]);
			New(A[i][0],j);
		}
	}
	
	for (i=Ls[1]; i; i=A[i][1])
	Bfs(A[i][0]);
	
	fo(i,n+1,N)
	ans[++tot]=f[i]-1;
	
	sort(ans+1,ans+tot+1);
	
	fo(i,1,tot)
	printf("%d\n",ans[i]);
}
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