CF519E A and B and Lecture Rooms

本文介绍了一种使用C++实现的算法,通过深度优先搜索和LCA(最近公共祖先)计算两点间最短路径,涉及到了树的结构、子树大小以及跳跃操作。该算法用于解决给定图中两点间距离相等的点的问题。

E. A and B and Lecture Rooms

Portal.

显然可以想到,对于两点间的最短路径 l l l,到两点距离相等的点一定为 l l l 的中点。如果 l l l 为偶数,则不存在这样的点。

有上面的思路之后,可以得到其他到两点距离相等的点经过 l l l 的中点,且不经过 l l l 上其他点。

分两种情况考虑:

  • 路径中点就是 LCA,此时用整棵树的大小减去两点跳 l 2 − 1 \dfrac{l}{2}-1 2l1 步后到达的点的子树大小。
  • 路径中点不是 LCA,此时用中点子树大小减去路径上的最近下方结点的子树大小。这相当于剪掉了中点的路径上的父亲和儿子,则剩下的点一定经过中点且不经过 l l l 上的其他点。
#include <bits/stdc++.h>
using namespace std;
typedef long long ll;

const int maxn=1e5+5;
int dep[maxn],f[maxn][25],head[maxn],cnt,siz[maxn];
struct edge{int to,nxt;}e[maxn*2];

void add(int x,int y){e[++cnt]={y,head[x]},head[x]=cnt;}

void dfs(int x,int fa)
{
    dep[x]=dep[fa]+1,f[x][0]=fa,siz[x]=1;
    for(int i=head[x];i;i=e[i].nxt)
    {
        if(e[i].to==fa) continue;
        dfs(e[i].to,x);
        siz[x]+=siz[e[i].to];
    }
}

int lca(int x,int y)
{
    if(dep[x]<dep[y]) swap(x,y);
    for(int i=20;i>=0;i--) if(dep[f[x][i]]>=dep[y]) x=f[x][i];
    if(x==y) return x;
    for(int i=20;i>=0;i--)
        if(f[x][i]!=f[y][i]) x=f[x][i],y=f[y][i];
    return f[x][0];
}

int jump(int x,int d)
{
    int res=x;
    for(int i=20;i>=0;i--) if(dep[x]-dep[f[res][i]]<=d) res=f[res][i];
    return res;
}

void query(int x,int y)
{
    if(dep[x]<dep[y]) swap(x,y);
    if(x==y) return cout<<siz[1]<<'\n',void();
    int l=dep[x]+dep[y]-2*dep[lca(x,y)];
    if(l%2) return cout<<"0\n",void();
    l/=2;
    if(dep[x]==dep[y]) return cout<<(siz[1]-siz[jump(x,l-1)]-siz[jump(y,l-1)])<<endl,void();
    else return cout<<(siz[jump(x,l)]-siz[jump(x,l-1)])<<endl,void();
}

int main()
{
    int n;cin>>n;
    for(int i=1,u,v;i<n;i++) cin>>u>>v,add(u,v),add(v,u);
    dfs(1,0);
    for(int j=1;j<=20;j++) for(int i=1;i<=n;i++) f[i][j]=f[f[i][j-1]][j-1];
    int m;cin>>m;
    for(int i=1,x,y;i<=m;i++) cin>>x>>y,query(x,y);
    return 0;
}    
基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
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