2018中国大学生程序设计竞赛 - 网络选拔赛 1009 Tree and Permutation (树形dp)

博客围绕ACM题目展开,给出一棵树,需按节点全排列求根节点到各节点最短距离之和。解题思路是对每条边单独计算贡献,将树按边分成两侧,根据两侧节点数量、边长度及排列数计算边的贡献,最后还给出了代码。

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

http://acm.hdu.edu.cn/showproblem.php?pid=6446

题意:

给出一颗树,按节点进行全排列,然后求根节点到每个节点的最短距离之和。

 

思路:

对每条边单独计算贡献,一条边EE将树分成两侧,假设其中一侧大小为M,则另一侧大小为N-M。 在N!条路线中每条都分为N-1段,对每段单独计算贡献,例如某一段从X到Y,则该段经过E当且仅当X与Y在E的两侧,对应的排列数为2M(N−M)(N−2)!。 共有N-1段,假设E的长度为L,则E的贡献为2LM(N−M)(N−1)!

 

代码:

#include<bits/stdc++.h>
using namespace std;
#define ll long long
const int maxn=1e5+10;
const int inf=0x7fffffff;
const int mod=1e9+7;
vector<int>x,y;
struct node
{
    int v,next;
    ll w;
}edge[maxn*2];
int head[maxn],tot;
int n;
ll dp[maxn];
ll jc[maxn];
int sz[maxn];
void init()
{
    for(int i=1;i<=n;i++)
        head[i]=-1;
    tot=0;
}
void addedge(int u,int v,ll w)
{
    edge[tot].v=v;
    edge[tot].w=w;
    edge[tot].next=head[u];
    head[u]=tot++;
}
void dfs(int u,int pre)
{
    dp[u]=0,sz[u]=1;
    for(int i=head[u];~i;i=edge[i].next)
    {
        int v=edge[i].v;
        if(pre==v)continue;
        dfs(v,u);
    }
    for(int i=head[u];~i;i=edge[i].next)
    {
        int v=edge[i].v;
        ll w=edge[i].w;
        if(pre==v)continue;
        sz[u]+=sz[v];
        dp[u]=(dp[u]+dp[v])%mod;
        dp[u]=(dp[u]+w*sz[v]%mod*(n-sz[v])%mod)%mod;
    }
}
int main()
{
    jc[0]=2;
    jc[1]=2;
    for(int i=2;i<maxn;i++)
        jc[i]=(jc[i-1]*i)%mod;
    while(~scanf("%d",&n))
    {
        init();
        int u,v;
        ll w;
        for(int i=1;i<n;i++)
        {
            scanf("%d%d%lld",&u,&v,&w);
            addedge(u,v,w);
            addedge(v,u,w);
        }
        dfs(1,-1);
        dp[1]=jc[n-1]*dp[1]%mod;
        printf("%lld\n",dp[1]);
    }
    return 0;
}

 

内容概要:本文介绍了如何使用Python识别图片和扫描PDF中的文字。首先,文章讲解了使用Spire.OCR for Python库来识别图片中的文字,包括安装库、配置OCR模型路径和语言设置、扫描图片以及保存识别后的文本。其次,详细描述了从图片中提取文字及其坐标位置的方法,使用户不仅能够获取文本内容,还能知道文本在图片中的具体位置。最后,文章还介绍了如何结合Spire.PDF for Python将PDF文件转换为图片格式,再通过OCR技术从中提取文字,适用于处理扫描版PDF文件。文中提供了完整的代码示例,帮助读者理解和实践。 适合人群:对Python编程有一定基础,希望学习或提高光学字符识别(OCR)技术的应用开发者,尤其是需要处理大量图片或PDF文档中文字信息的工作人员。 使用场景及目标:① 开发者可以利用这些方法自动化处理图片或PDF文档中的文字信息,提高工作效率;② 实现从非结构化数据(如图片、扫描件)到结构化数据(如文本文件)的转换,便于后续的数据分析和处理;③ 提供了一种解决纸质文档数字化的有效途径,特别是对于历史档案、书籍等资料的电子化保存。 其他说明:需要注意的是,OCR的准确性很大程度上取决于图片的质量,清晰度高、对比度好的图片可以获得更好的识别效果。此外,不同OCR库可能对特定语言或字体的支持程度不同,选择合适的库和配置参数能显著提升识别精度。在实际应用中,建议先进行小规模测试,优化参数后再大规模应用。
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