H. Yuezheng Ling and Dynamic Tree

本文介绍了一种解决区间更新与LCA查询问题的方法。利用节点与其父节点的有序关系和莫队分块技巧,将原始问题转化为更简洁的形式。通过预处理得到每个节点到最近块节点的距离,实现高效区间更新及LCA查询。

给出一颗树,知道节点i的父亲是a[i],并保证了a[i]<i。

给出n个询问:

1. l,r区间的节点的a[i] = max(a[i]-x,1)

2.问lca(u,v)

 

 

由于a[i]<i,那么节点和父亲就是有序了。由于是区间询问,可以用莫队分块。

按sqrt(n)分块后,记录每个节点到块的最小节点 f(i) = f(a[i])。这样就相当于把一颗树缩成了sqrt(n)个节点的树了。

更新的时候,对于[l,r]区间,如果是同一个块,则暴力(sqrt(n)),如果不是同一个块,对于两边的区间暴力修改,对于中间的区间,由于覆盖了整个区间,可以比较修改了多少次。

由于一个区间最多拥有sqrt(n)个元素,那么最多修改sqrt(n)次,因为再多就出去了,结果是一样的。但是修改了sqrt(n)次之后,还是要记录修改的次数,因为a被修改了。

修改[l,r]区间时,虽然改的是[l,r]之间的值,但是f的值要全部一起修改,因为有可能会被[l,r]影响到。

查询lca(u,v)的时候,按照lca的爬,不断根据自己的f去爬到对应的块,然后再块内慢慢爬。

 

 

using namespace std;
//int mod = 998244353;
int mod = 1e9+7;

int get_min(int a, int b){
	if(a==-1) return b;
	if(b==-1) return a;
	return min(a,b);
}

int f[N],st[N],ed[N],bl[N];
int a[N];
ll sum[N],add[N];
int n;

int fa(int u){
	return max(a[u]-add[bl[u]],1ll);
}

void update(int l, int r, int x){
	for(int i = l; i <=r; ++i){
		a[i] = max(a[i]-x,1);
	}

	for(int i = st[bl[l]]; i <=ed[bl[r]]; ++i){
		int x = fa(i);
		if(bl[x] != bl[i]) f[i] = i;
		else f[i] = f[x];
	}
}

int main(){
	int q;
	cin>>n>>q;
	for(int i = 1; i <=n; ++i){
		if(i>1)
			cin>>a[i];
		st[i] = n;
		ed[i] = 1;
	}
	int k = sqrt(n);
	for(int i = 1; i<=n; ++i){
		bl[i] = (i-1)/k+1;
		st[bl[i]] = min(st[bl[i]],i);
		ed[bl[i]] = max(ed[bl[i]],i);
		if(bl[a[i]] != bl[i]){
			f[i] = i;
		}
		else {
			f[i] = f[a[i]];
		}
	}
	for(int i = 0; i < q; ++i){
		int t;
		cin>>t;
		if(t==1){
			int l,r,x;
			cin>>l>>r>>x;
			if(bl[l]==bl[r]){
				update(l, r, x);
			}
			else {
				update(l, ed[bl[l]], x);
				update(st[bl[r]], r, x);
				for(int i = bl[l]+1; i < bl[r]; ++i){
					sum[i] += x;
					if(sum[i]-x<=k){
						update(st[i],ed[i],x);
					}
					else {
						add[i] += x;
					}
				}
			}
		}
		else {
			int u,v;
			cin>>u>>v;
			while(f[u]!=f[v]){
				if(f[u]>f[v]) swap(u,v);
				v = fa(f[v]);
			}
			while(u!=v){
				if(u>v) swap(u,v);
				v = fa(v);
			}
			printf("%d\n",u);
		}
	}
}

 

先展示下效果 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 适应度函数由解决的问题决定。 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