bzoj 2500 幸福的道路 dfs 单调队列

本文介绍了一种使用深度优先搜索(DFS)结合单调队列的方法来解决寻找图中最长路径的问题。通过维护每个节点向上和向下的最长路径,并利用单调队列进行最值更新,实现了高效求解。适用于需要寻找特定条件下最值路径的应用场景。

dfs维护一个每个点向下和向上的最长路。
开两个单调队列,单调递增和单调递减,找最后一个不满足条件的点。
注意队首留一个非法的点便于更新。
每次的决策点与之前的决策点取max。

#include <bits/stdc++.h>
using namespace std;
#define N 1100000
#define ll long long
int n,m,top,ans,pos;
int fa[N],st[N],p1[N],p2[N];
vector<int>vec[N],v[N];
queue<int>que;
int q1[N],q2[N],r1,r2,h1,h2;
ll d1[N],d2[N],up[N],val[N],f[N];
int main()
{
    //freopen("tt.in","r",stdin);
    scanf("%d%d",&n,&m);
    for(int i=2;i<=n;i++)
    {
        scanf("%d%lld",&fa[i],&val[i]);
        vec[fa[i]].push_back(i);
        v[fa[i]].push_back(val[i]);
    }
    que.push(1);
    while(!que.empty())
    {
        int t=que.front();que.pop();
        st[++top]=t;
        for(int i=0;i<vec[t].size();i++)
            que.push(vec[t][i]);
    }
    for(int now=top,x;now>=0;now--)
    {
        x=st[now];
        for(int i=0,t;i<vec[x].size();i++)
        {
            t=vec[x][i];
            if(d1[t]+v[x][i]>=d1[x])
            {
                d2[x]=d1[x];p2[x]=p1[x];
                d1[x]=d1[t]+v[x][i];p1[x]=t;
            }
            else if(d1[t]+v[x][i]>=d2[x])
                d2[x]=d1[t]+v[x][i],p2[x]=t;
        }
    }
    for(int now=2,x;now<=top;now++)
    {
        x=st[now];
        up[x]=up[fa[x]]+val[x];
        if(p1[fa[x]]!=x)
            up[x]=max(up[x],d1[fa[x]]+val[x]);
        else up[x]=max(up[x],d2[fa[x]]+val[x]);
    }
    for(int i=1;i<=n;i++)
        f[i]=max(up[i],d1[i]);
    q1[r1=h1=1]=0;q2[r2=h2=1]=0;
    for(int i=1;i<=n;i++)
    {
        while(r1>h1&&f[i]-f[q1[h1+1]]>m)h1++;
        while(r2>h2&&f[q2[h2+1]]-f[i]>m)h2++;
        pos=max(pos,q1[h1]);pos=max(pos,q2[h2]);
        ans=max(ans,i-pos);
        while(r1>h1&&f[i]<=f[q1[r1]])r1--;
        while(r2>h2&&f[i]>=f[q2[r2]])r2--;
        q1[++r1]=i;q2[++r2]=i;
    }
    printf("%d\n",ans);
    return 0;
}
内容概要:本文介绍了一个基于冠豪猪优化算法(CPO)的无人机三维路径规划项目,利用Python实现了在复杂三维环境中为无人机规划安全、高效、低能耗飞行路径的完整解决方案。项目涵盖空间环境建模、无人机动力学约束、路径编码、多目标代价函数设计以及CPO算法的核心实现。通过体素网格建模、动态障碍物处理、路径平滑技术和多约束融合机制,系统能够在高维、密集障碍环境下快速搜索出满足飞行可行性、安全性与能效最优的路径,并支持在线重规划以适应动态环境变化。文中还提供了关键模块的代码示例,包括环境建模、路径评估和CPO优化流程。; 适合人群:具备一定Python编程基础和优化算法基础知识,从事无人机、智能机器人、路径规划或智能优化算法研究的相关科研人员与工程技术人员,尤其适合研究生及有一定工作经验的研发工程师。; 使用场景及目标:①应用于复杂三维环境下的无人机自主导航与避障;②研究智能优化算法(如CPO)在路径规划中的实际部署与性能优化;③实现多目标(路径最短、能耗最低、安全性最高)耦合条件下的工程化路径求解;④构建可扩展的智能无人系统决策框架。; 阅读建议:建议结合文中模型架构与代码示例进行实践运行,重点关注目标函数设计、CPO算法改进策略与约束处理机制,宜在仿真环境中测试不同场景以深入理解算法行为与系统鲁棒性。
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