【Codechef】Tiptoe through the tulips

Cherry在一个种满魔力郁金香的花园中漫步,为了她的挚爱Jimma摘取郁金香。本篇介绍了一种解决路径搜索问题的方法,通过离线处理、并查集和线段树等数据结构实现。

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

题面描述

    Cherry 在散步时偶然发现了种满了魔力郁金香的花园。这座花园可以描述为 N 个节点和N1道路,节点编号为 1N。道路 i链接两个节点 uivi,其长度为 Li。从任意节点开始,沿道路行走,都能走到所有节点。

    魔力郁金香喜欢独自生长,不被打扰。因此,每个节点都恰有一株郁金香生长。在郁金香成熟后,它就不会凋零。一株成熟的郁金香被采摘后,就会有另一株开始生长。郁金香需从开始生长到成熟需要X 天。

    有时,Cherry 会在散步途中经过花园,为她的挚爱 Jimma 摘几株郁金香。Cherry 如果连着走太久就会无聊,因此在第 dj 天,她会从节点 uj 出发,并且只会走过长度不超过 kj 的道路。如果有节点可以从 uj 只经过长度不超过 kj 的道路到达,Cherry 就一定会到这个节点去转一圈。如果在这些节点有着成熟的郁金香,Cheery 就会把它摘下。但她也可能经过一些节点,其中还没有成熟的郁金香。这些正在生长的郁金香会因为有人到来而沮丧凋零。也就是说,如果 Cherry 在第dj 天到了有没成熟的郁金香的节点,而且直到第 dj+X 天为止再也不到这个节点去,那么这一节点的郁金香才会成熟。在第 d1 天时,所有节点都有一株成熟的郁金香。

    Cherry 没有上过学,不是很擅长数数。所以她想知道每次能采摘多少株郁金香。请你帮帮她。

分析

    其实原图只是一个无向图也能做。

    如果X=0(即询问间独立),我们很容易想到离线做法,把边和询问从小到大排序,对每个询问只考虑长度满足限制的边,用一个并查集维护即可。

    现在询问间有影响,看起来似乎麻烦了点,但我们可以沿着原来的思路继续想下去。我们仍然把边从小到大排序,像做最小生成树那样维护并查集,但是这里我们合并两个节点时,并不是把一个点的父亲设为另一个点,而是新开一个点,把原来两个点的父亲设为这个新点。同时,我们赋予点点权,这个新的点为当前加入边的长度,而原来的那n个点的点权为0。这样做完之后,我们发现,这个并查集构成了一棵树,且这个树显然有一个性质:父亲节点的点权不小于后代节点的点权。

    现在考虑处理询问。对于每个询问,我们用倍增找到uj的一个深度最小的祖先v,满足v的点权小于等于kj。那么这次询问中,uj能到达的节点就是以v为根的子树中的所有叶子节点。但是这里的叶子节点要除去被之前询问覆盖的。

    我们考虑如何计算有多少叶子节点被之前的询问影响。先对并查集弄出来的树求一个dfs序,那么每个点管辖的叶子节点是一个连续的区间。对于一个询问,我们在处理完询问后将它能到达的位置全部+1,在第dj+X天给它们全部1。那么每次询问,我们相当于要知道当前序列一个区间中有多少个位置为0,这两个操作我们可以简单地用线段树维护。这样这题就愉快地解决了。

内容概要:本文档详细介绍了一个基于MATLAB实现的跨尺度注意力机制(CSA)结合Transformer编码器的多变量时间序列预测项目。项目旨在精准捕捉多尺度时间序列特征,提升多变量时间序列的预测性能,降低模型计算复杂度与训练时间,增强模型的解释性和可视化能力。通过跨尺度注意力机制,模型可以同时捕获局部细节和全局趋势,显著提升预测精度和泛化能力。文档还探讨了项目面临的挑战,如多尺度特征融合、多变量复杂依赖关系、计算资源瓶颈等问题,并提出了相应的解决方案。此外,项目模型架构包括跨尺度注意力机制模块、Transformer编码器层和输出预测层,文档最后提供了部分MATLAB代码示例。 适合人群:具备一定编程基础,尤其是熟悉MATLAB和深度学习的科研人员、工程师和研究生。 使用场景及目标:①需要处理多变量、多尺度时间序列数据的研究和应用场景,如金融市场分析、气象预测、工业设备监控、交通流量预测等;②希望深入了解跨尺度注意力机制和Transformer编码器在时间序列预测中的应用;③希望通过MATLAB实现高效的多变量时间序列预测模型,提升预测精度和模型解释性。 其他说明:此项目不仅提供了一种新的技术路径来处理复杂的时间序列数据,还推动了多领域多变量时间序列应用的创新。文档中的代码示例和详细的模型描述有助于读者快速理解和复现该项目,促进学术和技术交流。建议读者在实践中结合自己的数据集进行调试和优化,以达到最佳的预测效果。
内容概要:本文档详细介绍了基于MATLAB实现多目标差分进化(MODE)算法进行无人机三维路径规划的项目实例。项目旨在提升无人机在复杂三维环境中路径规划的精度、实时性、多目标协调处理能力、障碍物避让能力和路径平滑性。通过引入多目标差分进化算法,项目解决了传统路径规划算法在动态环境和多目标优化中的不足,实现了路径长度、飞行安全距离、能耗等多个目标的协调优化。文档涵盖了环境建模、路径编码、多目标优化策略、障碍物检测与避让、路径平滑处理等关键技术模块,并提供了部分MATLAB代码示例。 适合人群:具备一定编程基础,对无人机路径规划和多目标优化算法感兴趣的科研人员、工程师和研究生。 使用场景及目标:①适用于无人机在军事侦察、环境监测、灾害救援、物流运输、城市管理等领域的三维路径规划;②通过多目标差分进化算法,优化路径长度、飞行安全距离、能耗等多目标,提升无人机任务执行效率和安全性;③解决动态环境变化、实时路径调整和复杂障碍物避让等问题。 其他说明:项目采用模块化设计,便于集成不同的优化目标和动态环境因素,支持后续算法升级与功能扩展。通过系统实现和仿真实验验证,项目不仅提升了理论研究的实用价值,还为无人机智能自主飞行提供了技术基础。文档提供了详细的代码示例,有助于读者深入理解和实践该项目。
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