查税

题意:

A 镇刚刚成立,你被任命为税务局长,你的职责是保证镇上所有公司有足够多的会计。A 镇主街上有N 个商业办公室,从左到右依次编号为1 到N,一开始所有办公室都是空的,没有任何公司进驻,后面陆陆续续有公司进进出出。在某一个时间段,你会巡视一段连续编号的办公室,要求计算巡视的公司中账户余额最多的是多少。一个公司的进驻用以下四个整数来描述:
T:表示进驻是哪一天,从A 镇成立那天算起,A 镇成立那天算第一天;
K:进驻的办公室的编号;
Z:该公司每天的赢利,如果亏损的话则为负值;
S:搬进来那天公司账户的余额。
如果在新公司搬进来之前第K 个办公室已经有公司进驻,那么这个公司会先搬出去,然后再把新公司搬进来,新搬进来的公司会在搬进来的第二天开始营业(赢利或亏损)。
你作为税务局长,会经常来巡视,用以下三个整数来描述:
T:巡视那天的编号;
A 和B:巡视第A 到第B 个编号范围的办公室。
由于巡视的时间是一天中很晚的时刻,所以所有公司已经完成当天的营业并且财务已经把当天的盈利更新到公司账户中。你的任务就是对于每次巡视,找到账户余额最多的公司。

N100,000
操作数M500,000

分析

原题就是要维护一些形如Y = Z * Tnow + S - Z * T=kTnow+b的直线。
分块。分成n块。
若在Tnow时,直线l2Y2 = k2 * Tnow + b2 ,直线l1Y1 = k1 * Tnow + b1 (设k1<k2),l2l1更优的话,有Y1 < Y2,整理得b2b1k2k1>TnowTnow单调递减。这样就变成斜率优化了。每块维护按k从小到大排序后的直线和一个单调队列。
对于插入操作,在块内删除、插入排序,并重新构建单调队列。
对于查询操作,包含于区间的块直接扫它们的单调队列,剩下的一些位置暴力扫就行了。
时间复杂度O(MN)

#include <cstdio>
#include <algorithm>
#include <cmath>
using namespace std;

typedef long long LL;
const int N = 1e5 + 10,M = 320;
const LL Inf = -5000000000001LL;
struct sl {
    LL k,b;
} s[M][M],in[N];
int cnt[M],n,m,nn,nt;
int head[M],tail[M],l[M][M];

bool check(sl a,sl b,sl c,sl d) {
    return (b.b - a.b) * (d.k - c.k) < (d.b - c.b) * (b.k - a.k);
}

bool Check(sl a,sl b,LL x) {
    return (b.b - a.b) > (b.k - a.k) * x;
}

void insert(int pos,LL k,LL b,LL t) {
    int be = (pos - 1) / nt + 1,i;
    for (i = cnt[be];i;i --) if (s[be][i].k < k) break;
    else s[be][i + 1] = s[be][i];
    s[be][i + 1].k = k,s[be][i + 1].b = b,cnt[be] ++;
    head[be] = 1,tail[be] = 1;
    l[be][1] = 1;
    for (int i = 2;i <= cnt[be];i ++) {
        while (head[be] <= tail[be] && Check(s[be][l[be][tail[be]]],s[be][i],-t)) tail[be] --;
        tail[be] ++;
        l[be][tail[be]] = i;
        sl x = s[be][l[be][tail[be]]];
        sl y = s[be][l[be][tail[be] - 1]];
        sl z = s[be][l[be][tail[be] - 2]];
        while (head[be] + 1 < tail[be] && check(z,y,y,x)) { 
            l[be][tail[be] - 1] = l[be][tail[be]];
            tail[be] --;
            x = s[be][l[be][tail[be]]];
            y = s[be][l[be][tail[be] - 1]];
            z = s[be][l[be][tail[be] - 2]];
        }
    }
}

LL qry(int L,int R,LL t) {
    if (L > R) return Inf;
    LL re = Inf;
    for (int i = L;i <= R;i ++) {
        while (head[i] < tail[i] && Check(s[i][l[i][head[i]]],s[i][l[i][head[i] + 1]],-t)) head[i] ++;
        if (head[i] <= tail[i]) {
            int cur = l[i][head[i]];
            re = max(re,s[i][cur].b + t * s[i][cur].k);
        }
    }
    return re;
}

LL find(int l,int r,LL t) {
    LL re = Inf;
    for (int i = l;i <= r;i ++) if (in[i].k != Inf) re = max(re,in[i].b + in[i].k * t);
    return re;
}

void del(int pos,LL k,LL b) {
    int be = (pos - 1) / nt + 1,i;
    for (i = 1;i <= cnt[be];i ++) if (s[be][i].k == k && s[be][i].b == b) break;
    for (int j = i;j <= cnt[be] - 1;j ++) s[be][j] = s[be][j + 1];
    cnt[be] --;
}

int main() {
    scanf("%d%d",&n,&m);
    nn = sqrt(n);
    nt = n / nn + (n % nn != 0);
    for (int i = 1;i <= n;i ++) in[i].k = Inf;
    for (int i = 1;i <= nn;i ++) head[i] = 1,tail[i] = 0;
    for (int i = 1;i <= m;i ++) {
        int type;
        scanf("%d",&type);
        if (type == 1) {
            LL T,K,Z,S;
            scanf("%lld%lld%lld%lld",&T,&K,&Z,&S);
            if (in[K].k != Inf) del(K,in[K].k,in[K].b);
            in[K].k = Z,in[K].b = S - Z * T;
            insert(K,Z,S - Z * T,T);
        }
        else {
            int l,r;
            LL t;
            scanf("%lld%d%d",&t,&l,&r);
            if (l > r) swap(l,r);
            int ln = (l - 1) / nt + 1,rn = (r - 1) / nt + 1;
            LL ans = qry(ln + 1,rn - 1,t);
            ans = max(find(l,min(r,ln * nt),t),ans);
            ans = max(ans,find(max(l,(rn - 1) * nt + 1),r,t));
            if (ans == Inf) printf("nema\n");
            else printf("%lld\n",ans);
        }
    }
}
内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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