LuoguP2605 [ZJOI2010]基站选址 线段树优化DP

本文介绍了一种使用动态规划(DP)解决基站覆盖问题的方法,通过定义状态$f[i][j]$为覆盖前$i$个基站且第$i$个基站进行了维修的最小代价,实现了高效求解。文章详细解释了状态转移方程和如何在线段树上更新管辖范围,以达到$O(Knlogn)$的时间复杂度。

比较好的一道题 DP 题.    

令 $f[i][j]$ 表示覆盖前 $i$ 个基站且 $i$ 位置上维修了基站的最小代价.   

注意:上面设的状态是不考虑 $[i+1,n]$ 的.     

转移的话 $f[i][j] \leftarrow f[k][j-1]+calc(j-1,i)$.   

其中 $calc(i,j)$ 表示 $i$ 和 $j$ 分别修了基站的情况下  $i,j$  之间需要用 $W_{i}$ 的总和.  

然后这个 $calc(i,j)$ 可以在枚举 $j$ 的时候在线段树上更新.   

即对于每个位置记录其被管辖范围 $[l,r]$ 然后扫描到 $r+1$ 时将 $[0,l-1]$ 做一个区间加法即可.   

空间复杂度 $O(n)$,时间复杂度 $O(Kn \log n)$. 

code: 

#include <cstdio>   
#include <vector>
#include <cstring>
#include <algorithm>     
#define N 20009  
#define ll long long    
#define lson now<<1  
#define rson now<<1|1   
#define pb push_back
#define setIO(s) freopen(s".in","r",stdin)  
using namespace std;   
const int inf=1000000009; 
int n,K; 
int left[N],right[N],f[N]; 
int mn[N<<2],lazy[N<<2],dis[N],cost[N],si[N],wi[N];      
vector<int>g[N];  
inline void pushup(int now) { 
    mn[now]=min(mn[lson],mn[rson]); 
}    
inline void mark(int now,int v) { 
    mn[now]+=v,lazy[now]+=v; 
} 
inline void pushdown(int now) { 
    if(lazy[now]) {
        mark(lson,lazy[now]); 
        mark(rson,lazy[now]); 
        lazy[now]=0;
    }
}
void build(int l,int r,int now) {  
    lazy[now]=0; 
    if(l==r) { 
        mn[now]=f[l]; 
        return; 
    }  
    int mid=(l+r)>>1;  
    build(l,mid,lson),build(mid+1,r,rson); 
    pushup(now); 
}   
int query(int l,int r,int now,int L,int R) { 
    if(l>=L&&r<=R) { 
        return mn[now]; 
    } 
    pushdown(now); 
    int mid=(l+r)>>1,re=inf; 
    if(L<=mid) re=min(re,query(l,mid,lson,L,R)); 
    if(R>mid)  re=min(re,query(mid+1,r,rson,L,R)); 
    return re; 
}  
void update(int l,int r,int now,int L,int R,int v) { 
    if(l>=L&&r<=R) { 
        mark(now,v); 
        return; 
    } 
    pushdown(now); 
    int mid=(l+r)>>1; 
    if(L<=mid)  update(l,mid,lson,L,R,v); 
    if(R>mid)   update(mid+1,r,rson,L,R,v);  
    pushup(now); 
}
int main() { 
    // setIO("input"); 
    scanf("%d%d",&n,&K);  
    dis[1]=0;  
    for(int i=2;i<=n;++i) scanf("%d",&dis[i]);   
    for(int i=1;i<=n;++i) scanf("%d",&cost[i]); 
    for(int i=1;i<=n;++i) scanf("%d",&si[i]);  
    for(int i=1;i<=n;++i) scanf("%d",&wi[i]);                      
    ++n,++K,cost[n]=0,wi[n]=inf;                      
    for(int i=1;i<n;++i) { 
        int l,r,mid,ans; 
        ans=i,l=1,r=i-1;  
        while(l<=r) { 
            mid=(l+r)>>1;  
            if(dis[i]-si[i]<=dis[mid]) {
                ans=mid;        
                r=mid-1; 
            }
            else l=mid+1;  
        }   
        left[i]=ans; 
        ans=i,l=i,r=n-1;   
        while(l<=r) { 
            mid=(l+r)>>1;  
            if(dis[i]+si[i]>=dis[mid]) {
                ans=mid;  
                l=mid+1; 
            }
            else r=mid-1; 
        } 
        right[i]=ans;   
        g[right[i]].pb(i);    
    }     
    int ans=inf;  
    for(int j=1;j<=K;++j) { 
        if(j==1) {  
            int tot=0; 
            for(int i=1;i<=n;++i) {     
                f[i]=tot+cost[i];         
                for(int j=0;j<g[i].size();++j) {
                    tot+=wi[g[i][j]];  
                }     
            }             
            ans=min(ans,f[n]);         
        }   
        else {          
            build(0,n,1);         
            for(int i=1;i<=n;++i) {    
                f[i]=query(0,n,1,0,i-1)+cost[i];                    
                for(int j=0;j<g[i].size();++j) { 
                    int p=g[i][j];  
                    update(0,n,1,0,left[p]-1,wi[p]);    
                }
            }
            ans=min(ans,f[n]);
        }
    }
    printf("%d\n",ans);   
    return 0;
}

  

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自: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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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