差分约束的简单总结

差分约束  在数学上  更多被称为线性规划

作为线性规划的一种特殊情况


“差分”即意味两个变量作差

“约束”则意味这个差  满足一些条件


比如  等于某个值   或   大于某个值   或   小于某个值

例 a - b >= x1

    b - c <= x2

    a - c == x3


而这类问题在计算机中  也一般只会要求你输出  第i个变量与第j个变量       的差    最大是多少    最小是多少

—————————————分界线———————————————

对于   大于等于小于  三种情况    在竞赛中不容易直接让电脑理会并得出需要的结果


差分约束   则是通过  将(不)等式转化为图论中的最短(长)路问题


类比    a - b >= x1       与          dis[a] - dis[b] >= x1            ==>        dis[a] >= dis[b] + x1

            b - c <= x2                   dis[b] - dis[c] <= x2            ==>        dis[c] >= dis[b] + (-x2)

            a - c == x3                   dis[a] - dis[c] <= x3                            dis[c] >= dis[a] + (-x3)

                                                 dis[a] - dis[c] >= x3                            dis[a] >= dis[c] + x3

                (1)                                         (2)                                                        (3)

——————————————分界线——————————————

如上  将(1)        最终转化成了          (3)

而(3)   则可以通过指定一点的dis为0   (例如  规定dis[a] = 0)

        然后从这个点开始求单源最长路 

        对于dis[c] >= dis[b] + (-x2)   则可以加一条边  从b到c   边权为-x2

        因为对于最长路   如果i能转移到j      一定有dis[j] >= dis[i] + w[i][j]  

        所以这样求出来的单源最长路一定是满足所有式子


1                但是有可能最后求出来   目标点的dis没有被赋值  

                    则说明从起点开始的约束    无法涉及到目标点

                  即目标点的值与起点的值   没有任何关系  可以为任意值

                

 2               也有可能有一个正环       导致死循环 

                    有正环则说明这一组式子不可满足   例如(a > b + 1   b > a + 1)

                

____________________________分界线_________________________________________

对于1情况   最终只需要看看dis[final]是不是初始状态就能判断

对于2情况   则限制了求最短(长)路只能用spfa     (dij不能有负环)

                    对于一次spfa   若某个点被访问了N次  则一定有环   (自证不难)便可由此判断


ps :  将上文的(3)组式子也可以改写成 a <= b + x的形式    那么就需要求单源最短路 

                                 因为最短路转移维护了   dis[v] <= dis[u] + x




来几道例题练练手吧

    poj3169        hdu3440        


再来一道不是那么好建图的。。          poj1275  

        (其实差分约束主要就难在建图。。)

                                        

            

源码来自:https://pan.quark.cn/s/a4b39357ea24 ### 操作指南:洗衣机使用方法详解#### 1. 启动与水量设定- **使用方法**:使用者必须首先按下洗衣设备上的“启动”按键,同时依据衣物数量设定相应的“水量选择”旋钮(高、中或低水量)。这一步骤是洗衣机运行程序的开端。- **运作机制**:一旦“启动”按键被触发,洗衣设备内部的控制系统便会启动,通过感应器识别水量选择旋钮的位置,进而确定所需的水量高度。- **技术执行**:在当代洗衣设备中,这一流程一般由微处理器掌管,借助电磁阀调控进水量,直至达到指定的高度。#### 2. 进水过程- **使用说明**:启动后,洗衣设备开始进水,直至达到所选的水位(高、中或低)。- **技术参数**:水量的监测通常采用浮子式水量控制器或压力感应器来实现。当水位达到预定值时,进水阀会自动关闭,停止进水。- **使用提醒**:务必确保水龙头已开启,并检查水管连接是否牢固,以防止漏水。#### 3. 清洗过程- **使用步骤**:2秒后,洗衣设备进入清洗环节。在此期间,滚筒会执行一系列正转和反转的动作: - 正转25秒 - 暂停3秒 - 反转25秒 - 再次暂停3秒- **重复次数**:这一系列动作将重复执行5次,总耗时为280秒。- **技术关键**:清洗环节通过电机驱动滚筒旋转,利用水流冲击力和洗衣液的化学效果,清除衣物上的污垢。#### 4. 排水与甩干- **使用步骤**:清洗结束后,洗衣设备会自动进行排水,将污水排出,然后进入甩干阶段,甩干时间为30秒。- **技术应用**:排水是通过泵将水抽出洗衣设备;甩干则是通过高速旋转滚筒,利用离心力去除衣物上的水分。- **使用提醒**:...
代码下载地址: https://pan.quark.cn/s/c289368a8f5c 在安卓应用开发领域,构建一个高效且用户友好的聊天系统是一项核心任务。 为了协助开发者们迅速达成这一目标,本文将分析几种常见的安卓聊天框架,并深入说明它们的功能特性、应用方法及主要优势。 1. **环信(Easemob)** 环信是一个专为移动应用打造的即时通讯软件开发套件,涵盖了文本、图片、语音、视频等多种消息形式。 通过整合环信SDK,开发者能够迅速构建自身的聊天平台。 环信支持消息内容的个性化定制,能够应对各种复杂的应用场景,并提供多样的API接口供开发者使用。 2. **融云(RongCloud)** 融云作为国内领先的IM云服务企业,提供了全面的聊天解决方案,包括一对一交流、多人群聊、聊天空间等。 融云的突出之处在于其稳定运行和高并发处理性能,以及功能完备的后台管理工具,便于开发者执行用户管理、消息发布等操作。 再者,融云支持多种消息格式,如位置信息、文件传输、表情符号等,显著增强了用户聊天体验。 3. **Firebase Cloud Messaging(FCM)** FCM由Google提供的云端消息传递服务,可达成安卓设备与服务器之间的即时数据交换。 虽然FCM主要应用于消息推送,但配合Firebase Realtime Database或Firestore数据库,开发者可以开发基础的聊天软件。 FCM的显著优势在于其全球性的推送网络,保障了消息能够及时且精确地传输至用户。 4. **JMessage(极光推送)** 极光推送是一款提供消息发布服务的软件开发工具包,同时具备基础的即时通讯能力。 除了常规的文字、图片信息外,极光推送还支持个性化消息,使得开发者能够实现更为复杂的聊天功能。 此...
差分约束系统中,虽然标准解法是使用 **SPFA** 或 **Bellman-Ford** 算法来求解,但这两种算法实现相对复杂,尤其是要处理图结构、负权边、负环等问题。 如果你希望一个 **更简单、易实现、适合特定场景的算法**,我们可以考虑使用 **差分约束系统的简化版本 —— 差分数组** 或 **拓扑排序 + 动态规划** 的方法。 --- ## ✅ 一、差分数组法(适用于一维差分约束) ### 适用场景: - 所有变量是线性排列的(如 $ x_1, x_2, ..., x_n $) - 约束形式为: $$ x_i - x_{i-1} \leq c $$ 或 $$ x_{i-1} - x_i \leq c $$ ### 核心思想: 这种形式的差分约束可以转换为差分数组问题。我们设定: - $ d_i = x_i - x_{i-1} $ - 然后将所有约束转化为对 $ d_i $ 的限制 ### 示例代码(求满足所有差分约束下的最小解): ```cpp #include <iostream> #include <vector> #include <climits> using namespace std; int main() { int n, m; cin >> n >> m; vector<int> diff(n + 1, 0); // d[1..n] vector<int> min_val(n + 2, 0); // x[0..n] // 假设有 m 个形如 x_i - x_{i-1} <= c 的约束 for (int i = 0; i < m; ++i) { int l, r, c; cin >> l >> r >> c; // x_r - x_l <= c => x_l + ... >= x_r - c // 可以看作差分约束的一种形式 diff[r] = min(diff[r], c + x[l] - x[r]); } // 从 x[0] = 0 开始递推 for (int i = 1; i <= n; ++i) { min_val[i] = min_val[i - 1] + diff[i]; } for (int i = 1; i <= n; ++i) { cout << "x[" << i << "] = " << min_val[i] << endl; } return 0; } ``` --- ## ✅ 二、拓扑排序 + 动态规划(适用于 DAG) ### 适用场景: - 所有变量之间的约束构成一个 **有向无环图(DAG)** - 所有不等式可以转换为: $$ x_i \leq x_j + c $$ ### 核心思想: - 构造图:$ j \rightarrow i $,权值为 $ c $ - 使用拓扑排序 + 动态规划求最长路径(因为 $ x_i \leq x_j + c $ 实际是求最长路径的约束) ### 示例代码: ```cpp #include <iostream> #include <vector> #include <queue> using namespace std; const int MAXN = 100010; vector<pair<int, int>> graph[MAXN]; // u -> v, weight int in_degree[MAXN]; int dist[MAXN]; int main() { int n, m; cin >> n >> m; for (int i = 0; i < m; ++i) { int u, v, w; cin >> u >> v >> w; graph[u].push_back({v, w}); in_degree[v]++; } // 拓扑排序 queue<int> q; for (int i = 1; i <= n; ++i) { if (in_degree[i] == 0) { q.push(i); } dist[i] = 0; // 初始值设为 0 } while (!q.empty()) { int u = q.front(); q.pop(); for (auto e : graph[u]) { int v = e.first, w = e.second; if (dist[v] < dist[u] + w) { dist[v] = dist[u] + w; } in_degree[v]--; if (in_degree[v] == 0) q.push(v); } } // 输出所有变量的值 for (int i = 1; i <= n; ++i) { cout << "x[" << i << "] = " << dist[i] << endl; } return 0; } ``` --- ## ✅ 三、总结对比 | 方法 | 适用范围 | 是否简单 | 是否通用 | |------|-----------|----------|-----------| | Bellman-Ford / SPFA | 通用,适用于任意差分约束 | ❌ 稍复杂 | ✅ 是 | | 差分数组 | 仅适用于一维差分形式 | ✅ 简单 | ❌ 否 | | 拓扑排序 + 动态规划 | 适用于 DAG 构成的差分约束 | ✅ 简单 | ❌ 否 | --- ## ✅ 四、如何选择? - 如果变量是线性排列的,约束是相邻变量之间的差,使用 **差分数组** - 如果变量之间的依赖关系是 DAG,使用 **拓扑排序 + 动态规划** - 否则,使用 **SPFA / Bellman-Ford** ---
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