hdu5977 Garden of Eden 2016大连区域赛G题

本文深入探讨了点分治算法在解决特定问题中的应用,通过分析重心分解和状态压缩技术,详细解释了如何计算经过特定节点构成满状态的方案数。文章提供了完整的代码实现,并讨论了算法的时间复杂度为O(nlogn*2^k),适用于处理子集数量较少的情况。

http://acm.hdu.edu.cn/showproblem.php?pid=5977

点分治,对于每个重心u计算出经过u且能构成当前需要的满状态ss的方案数。

对于每条到u的路径,我们得到这条路径上有的种类的状态压缩的数字a[i]

然后枚举a[i]的每个子集(可以在calc中枚举,也可以在外面枚举存在vector))  s0,sum[s0]++,说明a[i]是包含s0的,s0是a[i]的子集,sum[s0]就是包含s0的路径有多少条,这样就可以计算出所需方案数了。

注意我们要减去同一棵子树中的非法组合,而对于u的所有子节点v来说,v的路径能组成(mi[k+1]-1)^(mi[mp[u]])也就是默认带上u节点上的苹果,所能凑出所有苹果的路径组合的方案数,就是子树v对于u来说的非法组合数。

O(nlogn*2^k)的复杂度,虽然很大,不过其实子集数量其实是比较少的,且递归越深子集数量越少,基本卡不掉。

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

const int maxl=5e4+10;

int n,k,m,cnt,len;
long long ans;
int a[maxl],ehead[maxl],typ[maxl],mi[12],dy[1024];
int st[maxl],sum[maxl];
struct ed
{
	int to,nxt;
}e[maxl<<1];
vector <int> ziji[1024];
bool vis[maxl];
struct centertree
{
	int n,ans,mini;
	int son[maxl];
	inline void dfs(int u,int fa)
	{
		son[u]=1;int mx=0,v;
		for(int i=ehead[u];i;i=e[i].nxt)
		{
			v=e[i].to;
			if(v==fa || vis[v]) continue;
			dfs(v,u);
			son[u]+=son[v];
			mx=max(son[v],mx);
		}
		mx=max(mx,n-son[u]);
		if(mx<mini)
		{
			mini=mx;
			ans=u;
		}
	}
	inline int getcenter(int u)
	{
		ans=0;mini=2e9;
		dfs(u,0);
		return ans;
	}
}tree;

inline void add(int u,int v)
{
	e[++cnt].to=v;e[cnt].nxt=ehead[u];ehead[u]=cnt;
}

inline void prework()
{
	for(int i=1;i<=n;i++)
		ehead[i]=0,vis[i]=false;
	for(int i=1;i<=n;i++)
		scanf("%d",&typ[i]);
	int u,v;cnt=0;
	for(int i=1;i<n;i++)
	{
		scanf("%d%d",&u,&v);
		add(u,v);add(v,u);
	}
}

inline void getst(int u,int fa)
{
	a[++len]=st[u];
	int v;
	for(int i=ehead[u];i;i=e[i].nxt)
	{
		v=e[i].to;
		if(v==fa || vis[v]) continue;
		st[v]=st[u] | mi[typ[v]];
		getst(v,u);
	}
}

inline long long calc(int u,int ss)
{
	len=0;
	st[u]=mi[typ[u]];
	getst(u,0); 
	for(int i=0;i<mi[k+1];i++)
		sum[i]=0;
	long long ret=0;
	for(int i=1;i<=len;i++)
		for(auto s0 : ziji[a[i]])
			sum[s0]++;
	sum[0]=len;
	int s;
	for(int i=1;i<=len;i++)
	{
		s=ss&a[i];
		ret+=sum[ss^s];	
	}
	return ret;
	
} 

inline void solv(int u)
{
	vis[u]=true;
	ans+=calc(u,mi[k+1]-1);
	int v,rt;
	for(int i=ehead[u];i;i=e[i].nxt)
	{
		v=e[i].to;
		if(vis[v]) continue;
		ans-=calc(v,(mi[k+1]-1)^mi[typ[u]]);
		tree.n=tree.son[v];
		rt=tree.getcenter(v);
		solv(rt);
	}
}

inline void mainwork()
{
	ans=0;tree.n=n;
	int rt=tree.getcenter(1);
	solv(rt);
}

inline void print()
{
	printf("%lld\n",ans);
}

int main()
{
	for(int i=1;i<=11;i++)
		mi[i]=1<<(i-1),dy[mi[i]]=i;
	for(int i=1;i<1024;i++)
		for(int s0=i;s0;s0=(s0-1)&i)
			ziji[i].push_back(s0); 
	while(~scanf("%d%d",&n,&k))
	{
		prework();
		mainwork();
		print();
	}
	return 0;
}

 

内容概要:本文围绕EKF SLAM(扩展卡尔曼滤波同步定位与地图构建)的性能展开多项对比实验研究,重点分析在稀疏与稠密landmark环境下、预测与更新步骤同时进行与非同时进行的情况下的系统性能差异,并进一步探讨EKF SLAM在有色噪声干扰下的鲁棒性表现。实验考虑了不确定性因素的影响,旨在评估不同条件下算法的定位精度与地图构建质量,为实际应用中EKF SLAM的优化提供依据。文档还提及多智能体系统在遭受DoS攻击下的弹性控制研究,但核心内容聚焦于SLAM算法的性能测试与分析。; 适合人群:具备一定机器人学、状态估计或自动驾驶基础知识的科研人员及工程技术人员,尤其是从事SLAM算法研究或应用开发的硕士、博士研究生和相关领域研发人员。; 使用场景及目标:①用于比较EKF SLAM在不同landmark密度下的性能表现;②分析预测与更新机制同步与否对滤波器稳定性与精度的影响;③评估系统在有色噪声等非理想观测条件下的适应能力,提升实际部署中的可靠性。; 阅读建议:建议结合MATLAB仿真代码进行实验复现,重点关注状态协方差传播、观测更新频率与噪声模型设置等关键环节,深入理解EKF SLAM在复杂环境下的行为特性。稀疏 landmark 与稠密 landmark 下 EKF SLAM 性能对比实验,预测更新同时进行与非同时进行对比 EKF SLAM 性能对比实验,EKF SLAM 在有色噪声下性能实验
内容概要:本文围绕“基于主从博弈的售电商多元零售套餐设计与多级市场购电策略”展开,结合Matlab代码实现,提出了一种适用于电力市场化环境下的售电商优化决策模型。该模型采用主从博弈(Stackelberg Game)理论构建售电商与用户之间的互动关系,售电商作为领导者制定电价套餐策略,用户作为跟随者响应电价并调整用电行为。同时,模型综合考虑售电商在多级电力市场(如日前市场、实时市场)中的【顶级EI复现】基于主从博弈的售电商多元零售套餐设计与多级市场购电策略(Matlab代码实现)购电组合优化,兼顾成本最小化与收益最大化,并引入不确定性因素(如负荷波动、可再生能源出力变化)进行鲁棒或随机优化处理。文中提供了完整的Matlab仿真代码,涵盖博弈建模、优化求解(可能结合YALMIP+CPLEX/Gurobi等工具)、结果可视化等环节,具有较强的可复现性和工程应用价值。; 适合人群:具备一定电力系统基础知识、博弈论初步认知和Matlab编程能力的研究生、科研人员及电力市场从业人员,尤其适合从事电力市场运营、需求响应、售电策略研究的相关人员。; 使用场景及目标:① 掌握主从博弈在电力市场中的建模方法;② 学习售电商如何设计差异化零售套餐以引导用户用电行为;③ 实现多级市场购电成本与风险的协同优化;④ 借助Matlab代码快速复现顶级EI期刊论文成果,支撑科研项目或实际系统开发。; 阅读建议:建议读者结合提供的网盘资源下载完整代码与案例数据,按照文档目录顺序逐步学习,重点关注博弈模型的数学表达与Matlab实现逻辑,同时尝试对目标函数或约束条件进行扩展改进,以深化理解并提升科研创新能力。
内容概要:本文介绍了基于粒子群优化算法(PSO)的p-Hub选址优化问基于粒子群优化算法的p-Hub选址优化(Matlab代码实现)的Matlab代码实现,旨在解决物流与交通网络中枢纽节点的最优选址问。通过构建数学模型,结合粒子群算法的全局寻优能力,优化枢纽位置及分配策略,提升网络传输效率并降低运营成本。文中详细阐述了算法的设计思路、实现步骤以及关键参数设置,并提供了完整的Matlab仿真代码,便于读者复现和进一步改进。该方法适用于复杂的组合优化问,尤其在大规模网络选址中展现出良好的收敛性和实用性。; 适合人群:具备一定Matlab编程基础,从事物流优化、智能算法研究或交通运输系统设计的研究生、科研人员及工程技术人员;熟悉优化算法基本原理并对实际应用场景感兴趣的从业者。; 使用场景及目标:①应用于物流中心、航空枢纽、快递分拣中心等p-Hub选址问;②帮助理解粒子群算法在离散优化问中的编码与迭代机制;③为复杂网络优化提供可扩展的算法框架,支持进一步融合约束条件或改进算法性能。; 阅读建议:建议读者结合文中提供的Matlab代码逐段调试运行,理解算法流程与模型构建逻辑,重点关注粒子编码方式、适应度函数设计及约束处理策略。可尝试替换数据集或引入其他智能算法进行对比实验,以深化对优化效果和算法差异的理解。
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