poj 1201 Intervals

本文介绍了一道关于差分约束系统的经典算法题目。通过建立前缀和数组T,并利用SPFA算法求解最短路径,实现了找到满足条件的最短序列长度的目标。文章详细解释了解题思路和步骤。

题目描述

有一个序列,输入n及n个整数组合 ai,bi,ci,[ai,bi,ci]表示在该序列中处于[ai,bi]这个区间的整数至少有ci个。如果存在这样的序列,请求出满足题目要求的最短的序列长度是多少。如果不存在则输出 -1。

Simple input

5
3 7 3
8 10 3
6 8 1
1 3 1
10 11 1

Simple output

6

数据范围

1 <= n <= 50000
0<= ai <= bi <= 50000
1 <= ci <= bi - ai+1

解题思路

差分约束系统例题。

可以将问题转化为1到max(b[i])个物品中,每个选或不选,在a[i]到b[i]中,至少选了c[i]个。那么,如果用一个数组T维护前缀和,那么有
t[b[i]]-t[a[i]-1]>=c[i]
=>t[b[i]]-c[i]>=t[a[i]-1]
于是由b[i]往a[i]-1连一条边权为-c[i]的边。
当然,由于每个只能选或不选,所以有
0<=t[i]-t[i-1]<=1
=>t[i]+0>=t[i-1] 由i往i-1连一条边权为0的边
=>t[i-1]+1>=t[i] 由i-1往i连一条边权为1的边

因为单源最短路跑完后满足dis[i]+w[i,j]>=dis[j](w[i,j]为边权,dis就相当于上面的T数组)
所以有n出发做一遍spfa就可以了。

PS:1.好像不可以从1出发,这样连上的负边权没有作用了,会输出max(b[i])-1.
2.最后输出t[0],因为若a[i]=1那么会连一条边到0,这样会有错误。
3.t[0]为负值,输出时取相反数。

Source Code

#include<iostream>
#include<algorithm>
#include<cstdio>
#include<cstring>
#include<queue>
using namespace std;

int a[50010],b[50010],c[50010],t[50010];
int s[150010][4],next[150010],last[50010];
int n,m;

void init()
{
    scanf("%d",&n);
    int i,l=0;
    memset(last,0,sizeof(last));
    for (i=1;i<=n;i++)
    {
        scanf("%d%d%d",&a[i],&b[i],&c[i]);
        if (b[i]>m) m=b[i];
        l++;
        s[l][1]=b[i];s[l][2]=a[i]-1;s[l][3]=-c[i];
        next[l]=last[s[l][1]];last[s[l][1]]=l;
    }
    for (i=1;i<=m;i++)
    {
        l++;
        s[l][1]=i;s[l][2]=i-1;s[l][3]=0;
        next[l]=last[s[l][1]];last[s[l][1]]=l;
        l++;
        s[l][1]=i-1;s[l][2]=i;s[l][3]=1;
        next[l]=last[s[l][1]];last[s[l][1]]=l;  
    }
    /*for (i=1;i<=l;i++)
      printf("%d %d %d %d %d\n",i,s[i][1],s[i][2],s[i][3],next[i]);
    for (i=0;i<=m;i++)
      printf("%d \n",last[i]);*/
    for (i=0;i<=m;i++)
      t[i]=500000;
}

queue<int> Q;
int p[50010];

void spfa()
{
    int i,j,k;
    memset(p,0,sizeof(p));
    Q.push(m);
    t[m]=0;
    p[m]=1;
    while (!Q.empty())
    {
        int now=Q.front();
        i=last[now];
        Q.pop();
        while (i!=0)
        {
            k=s[i][1];j=s[i][2];
            if (t[k]+s[i][3]<t[j])
            {
                /*printf("%d %d %d %d\n",i,k,j,p[j]);*/
                t[j]=t[k]+s[i][3];
                if (p[j]!=1){Q.push(j);p[j]=1;}
            }
            i=next[i];  
        }
        p[now]=0;
    }       
}

int main()
{
    init();
    spfa();
    printf("%d",-t[0]);
    return 0;
}
基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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