POJ - 1201 Intervals 【spfa解决差分约束问题】

本文详细解析了使用SPFA算法求解序列在数字上满足特定约束条件下,值在a和b之间的数至少出现c个不同数值时,输出满足条件的最短序列长度问题。文章通过具体实例阐述了如何构建图模型,处理不等式约束,以及如何调整方向和权值以适用SPFA算法。

题目链接:http://poj.org/problem?id=1201

题目的意思是一个序列在数字上满足约束条件,值在a和b之间的数至少出现c个不同的数,输出满足条件的最短长度。

可以先参考下这个博客:https://blog.youkuaiyun.com/godleaf/article/details/87907527

首先要注意的是给出的a和b中,a要-1,为什么?

因为 [ a, a ] 可以出现1个或者0个,如果我以1为起点,求1到N的序列最短长度,那么给起点初始化的时候不能直接初始化为0,因为d[1] = 1也是有可能的,所以区间要写成 (a-1, a], 那么这个时候真正的起点就是 d[0],这个时候就可以初始化为0。 

然后就是整理下样例的约束条件。

d[7] - d[3-1] >= 3 

d[10] - d[8-1] >= 3

d[8] - d[6-1] >= 1

d[3] - d[1-1] >= 1

d[11] - d[10-1] >= 1

除此之外还有一些隐藏的约束条件(这些隐藏的约束条件能保证把构建的整个图形成一个连通图)

d[7] - d[3-1] >= 0  && d[7] - d[3-1] <= 7-3+1 (因为3到7之间只可能出现 7-3+1种不同的数),其他的隐藏约束条件就不一一写出来了,和上面的一样。

对于最短路径来说,当所有的点到源点的最短距离已经求出来之后,那么任意两个点都满足这个不等式 d[v] - d[u] <= w(u, v)。

对于最长路径来说,当所有的点到源点的最长距离已经求出来之后,那么任意两个点都满足这个不等式 d[v] - d[u] >= w(u, v)。

这时候可以发现,除了d[7] - d[3-1] <= 7-3+1,其他的都和最长路径的不等式一样,那么这个时候我们就能用spfa求最长路来解这道题,那对于d[7] - d[3-1] <= 7-3+1,这个不等式怎么处理?只要两边都乘一个-1,不等式的符号就能换过来了,但是这个时候两点之间方向也会调换,即 d[3-1] - d[7] >= -(7-3+1)。

按照上面的结论给题目构建一个图,要注意方向和权值的正负。

把上面的不等式的符号全部转换成 <= ,然后求最短路应该也是没问题的,不过没去试。

#include <iostream>
#include <queue>
#include <cstring>
#include <string>
#include <map>
#include <cstdio>
#include <cmath>
#include <algorithm>
#include <vector>

using namespace std;

#define lson (cur<<1)
#define rson (cur<<1|1)
typedef long long ll;
typedef pair<int, int> pii;

const int INF = 0x3f3f3f3f;
const int Maxn = 5e4+10;
const int Mod = 1e9+7;

struct Edge {
    int v, w;
    Edge(int x = 0, int y = 0): v(x), w(y) {};
} edge[Maxn*3];

vector <int> G[Maxn];
int d[Maxn], cnt[Maxn], Hash[Maxn];
bool vis[Maxn];

void spfa(int N, int E) {
    for(int i = 0; i < N; ++i) {
        d[Hash[i]] = 0; vis[Hash[i]] = false;
        cnt[Hash[i]] = 0;
    }
    queue<Edge> qu;
    vis[Hash[0]] = true;
    qu.push(Edge(Hash[0], 0));

    while (!qu.empty()) {
        int v = qu.front().v; qu.pop();
        vis[v] = false;
        
        for(int i = 0; i < G[v].size(); ++i) {
            Edge &e = edge[G[v][i]];
            if(d[e.v] < d[v]+e.w) {
                d[e.v] = d[v]+e.w;
                if(!vis[e.v]) {
                    vis[e.v] = true;
                    cnt[e.v]++;
                    if(cnt[e.v] > E) return;
                    qu.push(Edge(e.v, d[e.v]));
                }
            }
        }
    }
}

int main(void)
{
    int N;
    scanf("%d", &N);
    int u, v, w, n = 0;
    for(int i = 0; i < N; ++i) {
        scanf("%d%d%d", &u, &v, &w);
        edge[i].v = v; edge[i].w = w;
        G[u-1].push_back(i);
        Hash[n++] = u-1; Hash[n++] = v;
    }
    sort(Hash, Hash+n);
    n = unique(Hash, Hash+n)-Hash;
    for(int i = 0; i < n-1; ++i) {
        edge[i+N].w = 0; edge[i+N].v = Hash[i+1];
        edge[i+N+n-1].w = -(Hash[i+1]-Hash[i]); edge[i+N+n-1].v = Hash[i];
        G[Hash[i]].push_back(i+N);
        G[Hash[i+1]].push_back(i+N+n-1);
    }
    spfa(n, N+2*(n-1));
    printf("%d\n", d[Hash[n-1]]);
    return 0;
}

 

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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