hdu 3525 Orienteering

本文探讨了一种使用线段树优化解决最长公共子序列问题的方法,通过将问题转化为求最长上升子序列,提高了算法效率。

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

 

http://acm.hdu.edu.cn/showproblem.php?pid=3525

原来只是在网上找线段树的,就找到这道题,LCS可以用线段树来优化,但实际上在这题中,将LCS转化为求最长上升子序列效率更高

#include <cstdio>
#include <vector>
#include <string>
#include <algorithm>
#include <queue>
#include <cstring>
#include <map>
#include <set>
#include <iostream>
#include <cmath>
using namespace std;

const int MAXNM = 200005;
int n, m;
int data[2][MAXNM];
int bk[MAXNM][13];
int mmp[MAXNM*10];
int ttp[MAXNM*10];
int ba[MAXNM];
int next[MAXNM];
void solve(int dd[])
{
    memset(ba, 0, sizeof ba);
    for (int i = 1; i<= m*n; ++i)
    {
        bk[dd[i]][ba[dd[i]]++] = i;
    }
}
int mget(int a)
{
    int i = a;
    while (next[i] != i)
        i = mget(next[i]);
    return next[a] = i;
}
void minit(int dd[])
{
    int a, b, c;
    for (int i = 0; i<= n*m*2; ++i) next[i] = i, dd[i] = 0;
    for (int i = 0; i< m*n; ++i)
    {        
        scanf("%d%d", &a, &b);
        c = mget(b);
        dd[c] = a;
        next[c] = c+1;
    }
    a = b = 1;
    while (a <= n*m)
    {
        if (dd[b])
        {
            dd[a] = dd[b];
            ++a, ++b;
        }
        else
            ++b;
    }    
}
// 最长上升子序列 
int LCS(int len)
{
    if (0 == len) return 0;
    int s = 1; ttp[0] = mmp[0];
    for (int i = 1; i< len; ++i)
    {
        int ap = mmp[i];
        int *id = (int *)lower_bound(ttp, ttp+s, ap);
        if (id == ttp+s)
        {
            ttp[s++] = ap;
        }
        else
        {
            *id = ap;
        }
    }
    return s;
}
int main() 
{
#ifndef ONLINE_JUDGE
    freopen("in.txt", "r", stdin);
#endif
    int t;
    scanf("%d", &t);
    for (int p = 1; p<= t; ++p)
    {
        printf("Case #%d: ", p);
        scanf("%d%d", &n, &m);
        for (int i = 0; i< 2; ++i) minit(data[i]);    
        solve(data[1]);
        int s = 0;
        for (int i = 1; i<= n*m; ++i)
        {
            int j = data[0][i];
            for (int k = m-1; k>= 0; k--)
            {
                mmp[s++] = bk[j][k];
            }
        }
        printf("%d\n", LCS(s));
    }
    return 0;
}


内容概要:本文详细介绍了扫描单分子定位显微镜(scanSMLM)技术及其在三维超分辨体积成像中的应用。scanSMLM通过电调透镜(ETL)实现快速轴向扫描,结合4f检测系统将不同焦平面的荧光信号聚焦到固定成像面,从而实现快速、大视场的三维超分辨成像。文章不仅涵盖了系统硬件的设计与实现,还提供了详细的软件代码实现,包括ETL控制、3D样本模拟、体积扫描、单分子定位、3D重建和分子聚类分析等功能。此外,文章还比较了循环扫描与常规扫描模式,展示了前者在光漂白效应上的优势,并通过荧光珠校准、肌动蛋白丝、线粒体网络和流感A病毒血凝素(HA)蛋白聚类的三维成像实验,验证了系统的性能和应用潜力。最后,文章深入探讨了HA蛋白聚类与病毒感染的关系,模拟了24小时内HA聚类的动态变化,提供了从分子到细胞尺度的多尺度分析能力。 适合人群:具备生物学、物理学或工程学背景,对超分辨显微成像技术感兴趣的科研人员,尤其是从事细胞生物学、病毒学或光学成像研究的科学家和技术人员。 使用场景及目标:①理解和掌握scanSMLM技术的工作原理及其在三维超分辨成像中的应用;②学习如何通过Python代码实现完整的scanSMLM系统,包括硬件控制、图像采集、3D重建和数据分析;③应用于单分子水平研究细胞内结构和动态过程,如病毒入侵机制、蛋白质聚类等。 其他说明:本文提供的代码不仅实现了scanSMLM系统的完整工作流程,还涵盖了多种超分辨成像技术的模拟和比较,如STED、GSDIM等。此外,文章还强调了系统在硬件改动小、成像速度快等方面的优势,为研究人员提供了从理论到实践的全面指导。
内容概要:本文详细介绍了基于Seggiani提出的渣层计算模型,针对Prenflo气流床气化炉中炉渣的积累和流动进行了模拟。模型不仅集成了三维代码以提供气化炉内部的温度和浓度分布,还探讨了操作条件变化对炉渣行为的影响。文章通过Python代码实现了模型的核心功能,包括炉渣粘度模型、流动速率计算、厚度更新、与三维模型的集成以及可视化展示。此外,还扩展了模型以考虑炉渣组成对特性的影响,并引入了Bingham流体模型,更精确地描述了含未溶解颗粒的熔渣流动。最后,通过实例展示了氧气-蒸汽流量增加2%时的动态响应,分析了温度、流动特性和渣层分布的变化。 适合人群:从事煤气化技术研究的专业人士、化工过程模拟工程师、以及对工业气化炉操作优化感兴趣的科研人员。 使用场景及目标:①评估不同操作条件下气化炉内炉渣的行为变化;②预测并优化气化炉的操作参数(如温度、氧煤比等),以防止炉渣堵塞;③为工业气化炉的设计和操作提供理论支持和技术指导。 其他说明:该模型的实现基于理论公式和经验数据,为确保模型准确性,实际应用中需要根据具体气化炉的数据进行参数校准。模型还考虑了多个物理场的耦合,包括质量、动量和能量守恒方程,能够模拟不同操作条件下的渣层演变。此外,提供了稳态求解器和动态模拟工具,可用于扰动测试和工业应用案例分析。
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