CF647C Johnny Necklace(欧拉回路)

本文探讨了一种算法,旨在解决二元组环的最大漂亮度问题。通过分析连接处的性质,利用欧拉回路的概念,实现了高效求解。文章详细介绍了算法流程,包括输入输出处理、关键数据结构定义及核心函数实现。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题意

n n n 个二元组 ( a i , b i ) (a_i,b_i) (ai,bi),二元组可以翻转。现在要将这些二元组接成一个环。连接部分的漂亮度是 l o w b i t x   x o r   y lowbit_{x~xor~y} lowbitx xor y x = y x=y x=y 时漂亮度为 20 20 20)。环的漂亮度为连接部分的最小漂亮度,现在要最大化漂亮度,并输出连接顺序。(第 i i i 个二元组的编号为 2 i − 1 2i-1 2i1 2 i 2i 2i
其中 a i , b i < 2 20 , n ≤ 500000 a_i,b_i< 2^{20},n\leq 500000 ai,bi<220n500000

分析

先考虑答案大于等于 l l l 时的性质:
也就是任意一个连接处, x   x o r   y x ~ xor~y x xor y l l l 的倍数。
因此答案具有单调性。
考虑怎么检验答案。
x x x y y y 能作为连接处,意味着 x   x o r   y x~xor~y x xor y 在模 2 l 2^l 2l 意义下相同,也就是 x ≡ y   ( m o d   2 l ) x\equiv y~(mod~2^l) xy (mod 2l)
那么,能否连成一个环,其实等价于是否存在欧拉回路(这个可能需要思考一下)。判断欧拉回路存不存在很好判断。
然后找到答案之后再求一边欧拉回路就可以了。
复杂度 O ( V log ⁡ 20 + n log ⁡ 20 ) O(V\log20 + n\log 20) O(Vlog20+nlog20)

代码如下

#include <bits/stdc++.h>
using namespace std;

int read(){
	int x, f = 1;
	char ch;
	while(ch = getchar(), ch < '0' || ch > '9') if(ch == '-') f = -1;
	x = ch - '0';
	while(ch = getchar(), ch >= '0' && ch <= '9') x = x * 10 + ch - 48;
	return x * f;
}

const int N = 2000005;
int n, A[N], B[N], ans[N], m, h[N], f[N], du[N], vis[N * 2], cnt = 1;

struct node{
	int a, b, x, y, n;
}d[N * 2];

void cr(int a, int b, int x, int y){
	d[++cnt].a = a; d[cnt].b = b; d[cnt].x = x; d[cnt].y = y; d[cnt].n = h[a]; h[a] = cnt;
}

int find(int x){
	return x == f[x]? x: f[x] = find(f[x]);
}

int chk(int x){
	int i, j, a, b, tot = 0;
	for(i = 0; i <= (1 << 20); i++) du[i] = 0, f[i] = i;
	for(i = 1; i <= n; i++){
		a = A[i] & x; b = B[i] & x;
		du[a]++; du[b]++;
		if(find(a) != find(b)) f[f[b]] = f[a];
	}
	for(i = 0; i <= (1 << 20); i++){
		if(!du[i]) continue;
		if(du[i] % 2) return 0;
		if(find(i) == i) tot++;
	}
	return tot == 1;
}

void dfs(int a, int id){
	for(int &i = h[a]; i; i = d[i].n){//此处不加引用会使复杂度高达 n^2,加了引用类似于网络流中的当前弧优化,也就是实时改变 h 指针 
		if(vis[i]) continue;
		vis[i] = vis[i ^ 1] = 1;
		int b = d[i].b;
		dfs(b, i);
	}
	ans[++m] = id;
}

void work(int x){
	int i, j, a, b;
	for(i = 1; i <= n; i++){
		a = A[i] & x; b = B[i] & x;
		cr(a, b, 2 * i - 1, 2 * i);
		cr(b, a, 2 * i, 2 * i - 1);
	}
	dfs(a, 1);
}

int main(){
	int i, j, k, a, b, l = 0, r = 20;
	n = read();
	for(i = 1; i <= n; i++) A[i] = read(), B[i] = read();
	while(l < r){
		int mid = l + r + 1 >> 1;
		if(chk((1 << mid) - 1)) l = mid;
		else r = mid - 1;
	}
	printf("%d\n", l);
	work((1 << l) - 1);
	for(i = m - 1; i >= 1; i--){
		j = ans[i];
		printf("%d %d ", d[j].x, d[j].y);
	}
	return 0;
}
基于python实现的粒子群的VRP(车辆配送路径规划)问题建模求解+源码+项目文档+算法解析,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 算法设计的关键在于如何向表现较好的个体学习,标准粒子群算法引入惯性因子w、自我认知因子c1、社会认知因子c2分别作为自身、当代最优解和历史最优解的权重,指导粒子速度和位置的更新,这在求解函数极值问题时比较容易实现,而在VRP问题上,速度位置的更新则难以直接采用加权的方式进行,一个常见的方法是采用基于遗传算法交叉算子的混合型粒子群算法进行求解,这里采用顺序交叉算子,对惯性因子w、自我认知因子c1、社会认知因子c2则以w/(w+c1+c2),c1/(w+c1+c2),c2/(w+c1+c2)的概率接受粒子本身、当前最优解、全局最优解交叉的父代之一(即按概率选择其中一个作为父代,不加权)。 算法设计的关键在于如何向表现较好的个体学习,标准粒子群算法引入惯性因子w、自我认知因子c1、社会认知因子c2分别作为自身、当代最优解和历史最优解的权重,指导粒子速度和位置的更新,这在求解函数极值问题时比较容易实现,而在VRP问题上,速度位置的更新则难以直接采用加权的方式进行,一个常见的方法是采用基于遗传算法交叉算子的混合型粒子群算法进行求解,这里采用顺序交叉算子,对惯性因子w、自我认知因子c1、社会认知因子c2则以w/(w+c1+c2),c1/(w+c1+c2),c2/(w+c1+c2)的概率接受粒子本身、当前最优解、全局最优解交叉的父代之一(即按概率选择其中一个作为父代,不加权)。
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