LibreOJ #3057.「HNOI2019」校园旅行

本文探讨了在一个大型无向图中寻找特定条件下的回文路径问题,即路径上节点编号组成的字符串是否为回文串。通过对连通块、生成树和奇环的分析,提出了一种优化算法,将边的数量减少到线性级别,从而显著降低了计算复杂度。

题意

有一个n个点m条边的无向图,每个点的编号为0或1。有q个询问,每次询问两个点x和y之间是否存在一条路径,使得该经过的所有点的编号排成一排构成的字符串是回文串。
n≤5000,m≤5∗105,q≤105n\le5000,m\le5*10^5,q\le10^5n5000,m5105,q105

分析

很容易想到暴力做法:设fi,j=0/1f_{i,j}=0/1fi,j=0/1表示是否存在一条iiijjj的路径使得该路径为回文串。
每次找到fx,y=1f_{x,y}=1fx,y=1的两个点xxxyyy,然后通过枚举他们的所有出边来递推。
复杂度显然不能接受,考虑优化。
我们把转移分为向编号相同的点转移和向编号不同的点转移。
先考虑所有连接两个编号相同的点的边,此时有若干个连通块。对于某一个连通块,若它是二分图,则仅保留该连通块的一棵生成树时答案不变;若不是二分图,则存在奇环,此时只用保留该连通块的一棵生成树+任意一个奇环,答案不变。
于是边数变为O(n)O(n)O(n)级别,用之前的暴力方法来做就好了。

代码

#include<iostream>
#include<cstdio>
#include<cstdlib>
#include<cstring>
#include<algorithm>
#include<vector>
#include<queue>
#define mp std::make_pair
#define pb push_back

typedef std::pair<int,int> pi;

const int N=5005;

int n,m,q,cnt,ls1[N],ls2[N];
bool flag,vis[N],num[N],f[N][N];
std::vector<int> vec1[N],vec2[N];
std::queue<pi> que;
struct edge{int to,next;}e[N*10];
char str[N];

void addedge1(int x,int y)
{
	e[++cnt].to=y;e[cnt].next=ls1[x];ls1[x]=cnt;
	e[++cnt].to=x;e[cnt].next=ls1[y];ls1[y]=cnt;
	f[x][y]=f[y][x]=1;que.push(mp(x,y));
}

void addedge2(int x,int y)
{
	e[++cnt].to=y;e[cnt].next=ls2[x];ls2[x]=cnt;
	e[++cnt].to=x;e[cnt].next=ls2[y];ls2[y]=cnt;
}

void dfs1(int x)
{
	vis[x]=1;
	for (int i=0;i<vec1[x].size();i++)
		if (vis[vec1[x][i]]) flag|=num[x]==num[vec1[x][i]];
		else addedge1(x,vec1[x][i]),num[vec1[x][i]]=num[x]^1,dfs1(vec1[x][i]);
}

void dfs2(int x)
{
	vis[x]=1;
	for (int i=0;i<vec2[x].size();i++)
		if (!vis[vec2[x][i]]) addedge2(x,vec2[x][i]),dfs2(vec2[x][i]);
}

int main()
{
	scanf("%d%d%d",&n,&m,&q);
	scanf("%s",str+1);
	for (int i=1;i<=m;i++)
	{
		int x,y;scanf("%d%d",&x,&y);
		if (str[x]==str[y]) vec1[x].pb(y),vec1[y].pb(x);
		else vec2[x].pb(y),vec2[y].pb(x);
	}
	for (int i=1;i<=n;i++)
		if (!vis[i])
		{
			flag=0;
			dfs1(i);
			if (flag) addedge1(i,i);
		}
	memset(vis,0,sizeof(vis));
	for (int i=1;i<=n;i++)
		if (!vis[i]) dfs2(i);
	for (int i=1;i<=n;i++) f[i][i]=1,que.push(mp(i,i));
	while (!que.empty())
	{
		int x=que.front().first,y=que.front().second;que.pop();
		int p,q;
		for (int i=ls1[x];i;i=e[i].next)
			for (int j=ls1[y];j;j=e[j].next)
				if (!f[p=e[i].to][q=e[j].to]) f[p][q]=f[q][p]=1,que.push(mp(p,q));
		for (int i=ls2[x];i;i=e[i].next)
			for (int j=ls2[y];j;j=e[j].next)
				if (!f[p=e[i].to][q=e[j].to]) f[p][q]=f[q][p]=1,que.push(mp(p,q));
	}
	while (q--)
	{
		int x,y;scanf("%d%d",&x,&y);
		puts(f[x][y]?"YES":"NO");
	}
	return 0;
}
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 1
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