poj 2763(树链剖分)

题意:有一个人在一棵树的某个节点s,然后给出了树的每条边都有一个权值,有两种操作,0 a 是问从节点s到a的路径权值和,然后a就成了s,1 a b把第a条边权值变为b。
题解:边权转点权的模板题。

#include <cstdio>
#include <cstring>
#include <algorithm>
using namespace std;
const int N = 100005;
struct Edge {
    int u, v, w, nxt;
    Edge() {}
    Edge(int a, int b, int c, int d): u(a), v(b), w(c), nxt(d) {}
}e[N << 1];
int size[N], top[N], son[N], fa[N], dep[N], id[N];
int n, q, s, head[N], cnt, tot, tree[N << 2];

void AddEdge(int u, int v, int w) {
    e[cnt] = Edge(u, v, w, head[u]);
    head[u] = cnt++;
    e[cnt] = Edge(v, u, w, head[v]);
    head[v] = cnt++;
}

void dfs2(int u, int tp) {
    top[u] = tp;
    id[u] = ++tot;
    if (son[u]) dfs2(son[u], tp);
    for (int i = head[u]; i + 1; i = e[i].nxt) {
        int v = e[i].v;
        if (v == fa[u] || v == son[u]) continue;
        dfs2(v, v);
    }
}

void dfs1(int u, int f, int depth) {
    son[u] = 0, size[u] = 1, fa[u] = f, dep[u] = depth;
    for (int i = head[u]; i + 1; i = e[i].nxt) {
        int v = e[i].v;
        if (v == f) continue;
        dfs1(v, u, depth + 1);
        size[u] += size[v];
        if (size[son[u]] < size[v]) son[u] = v;
    }
}

void pushup(int k) {
    tree[k] = tree[k * 2] + tree[k * 2 + 1];
}

void modify(int k, int left, int right, int pos, int v) {
    if (left == right) {
        tree[k] = v;
        return;
    }
    int mid = (left + right) / 2;
    if (pos <= mid)
        modify(k * 2, left, mid, pos, v);
    else
        modify(k * 2 + 1, mid + 1, right, pos, v);
    pushup(k);
}

int query(int k, int left, int right, int l, int r) {
    if (l <= left && right <= r)
        return tree[k];
    int mid = (left + right) / 2, res = 0;
    if (l <= mid)
        res += query(k * 2, left, mid, l, r);   
    if (r > mid)
        res += query(k * 2 + 1, mid + 1, right, l, r);
    return res;
}

void solve(int u, int v) {
    int tp1 = top[u], tp2 = top[v];
    int res = 0;
    while (tp1 != tp2) {
        if (dep[tp1] < dep[tp2]) {
            swap(tp1, tp2);
            swap(u, v);
        }
        res += query(1, 1 ,tot, id[tp1], id[u]);
        u = fa[tp1];
        tp1 = top[u];
    }
    if (u != v) {
        if (dep[u] > dep[v]) swap(u, v);
        res += query(1, 1, tot, id[son[u]], id[v]);
    }
    printf("%d\n", res);
}

int main() {
    while (scanf("%d%d%d", &n, &q, &s) == 3) {
        int u, v, w;
        memset(head, -1, sizeof(head));
        memset(tree, 0, sizeof(tree));
        cnt = tot = 0;
        for (int i = 0; i < n - 1; i++) {
            scanf("%d%d%d", &u, &v, &w);
            AddEdge(u, v, w);
        }
        dfs1(1, 0, 1);
        dfs2(1, 1);
        for (int i = 0; i < cnt; i += 2) {
            u = e[i].u, v = e[i].v;
            if (dep[u] < dep[v]) swap(u, v);
            modify(1, 1, tot, id[u], e[i].w);
        }
        int op, a, b;
        while (q--) {
            scanf("%d%d", &op, &a);
            if (op == 0) {
                solve(s, a);
                s = a;
            }
            else {
                scanf("%d", &b);
                u = e[a - 1 << 1].u;
                v = e[a - 1 << 1].v;
                if (dep[u] < dep[v]) swap(u, v);
                modify(1, 1, tot, id[u], b);
            }
        }
    }
    return 0;
}
<think>嗯,用户想了解熵权TOPSIS法的实现代码和计算方法,我需要先整理相关知识。首先,熵权法用于确定权重,TOPSIS则是进行综合评价。结合两者的步骤应该是先标准化数据,计算熵权,再用TOPSIS评估。 根据引用[1],熵权TOPSIS结合了熵值法确定权重和TOPSIS的评价步骤。需要确保数据标准化处理正确,可能使用极差标准化。然后计算信息熵,得到各指标的权重。之后,构建加权矩阵,计算正负理想解,最后是接近度。 用户可能需要Python或Matlab的代码示例。引用[1]提到Matlab实现,而引用[3]有Python相关内容。考虑到用户可能更常用Python,选择Python示例更合适。但需要确认代码的正确性,比如标准化方法是否正确,是否有处理负向指标的情况。 另外,用户可能对数据处理步骤不太清楚,比如归一化和指标方向调整。要解释正向化处理,比如将成本型指标转化为效益型。代码中需要包含这些步骤,或者提醒用户注意数据预处理。 熵权法的计算步骤包括标准化、计算比重、信息熵、差异系数和权重。TOPSIS部分则是加权标准化矩阵、理想解、距离计算和接近度。要确保每一步的公式正确,比如信息熵的计算需要避免取0的情况,通常会加一个极小值。 用户的问题可能还包括如何处理不同量纲的指标,所以数据标准化是关键。引用[2]提到TOPSIS对数据分布要求低,但需要处理指标方向。在代码中,可能需要区分正向和负向指标,并进行相应处理。 可能的问题点:熵权法是否适用于所有类型的数据?需要说明其适用性,比如在数据不确定性大时更客观。同时,TOPSIS不考虑权重的缺点被熵权法弥补,如引用[3]所述,所以两者的结合是合理的。 最后,代码示例要清晰,步骤注释详细,确保用户能逐步实现。可能还需要提醒常见错误,比如数据中含有负数或零,如何处理这些情况,比如在计算信息熵时加上一个很小的正数避免log(0)的错误。</think>### 熵权TOPSIS法实现详解 #### 一、方法原理 1. **熵权法**:通过信息熵计算指标权重,消除主观因素影响。信息熵越小,指标变异程度越大,权重越高[^1]。 2. **TOPSIS法**:计算各方案与正/负理想解的相对接近度进行排序。正理想解为各指标最优值集合,负理想解为各指标最劣值集合[^2]。 #### 二、实现步骤 1. **数据标准化** $$ x_{ij}' = \frac{x_{ij} - \min x_j}{\max x_j - \min x_j} \quad (\text{正向指标}) $$ $$ x_{ij}' = \frac{\max x_j - x_{ij}}{\max x_j - \min x_j} \quad (\text{负向指标}) $$ 2. **计算熵权** $$ p_{ij} = \frac{x_{ij}}{\sum_{i=1}^n x_{ij}} \quad (\text{数据比重}) $$ $$ e_j = -\frac{1}{\ln n} \sum_{i=1}^n p_{ij} \ln p_{ij} \quad (\text{信息熵}) $$ $$ w_j = \frac{1 - e_j}{\sum_{k=1}^m (1 - e_k)} \quad (\text{权重}) $$ 3. **TOPSIS计算** $$ V = X \times W \quad (\text{加权标准化矩阵}) $$ $$ D_i^+ = \sqrt{\sum_{j=1}^m (v_{ij} - v_j^+)^2} \quad (\text{正理想解距离}) $$ $$ D_i^- = \sqrt{\sum_{j=1}^m (v_{ij} - v_j^-)^2} \quad (\text{负理想解距离}) $$ $$ C_i = \frac{D_i^-}{D_i^+ + D_i^-} \quad (\text{相对接近度}) $$ #### 三、Python代码示例 ```python import numpy as np import pandas as pd def entropy_weight_topsis(data, positive_cols): # 数据标准化 data_norm = data.copy() for col in data.columns: if col in positive_cols: data_norm[col] = (data[col] - data[col].min()) / (data[col].max() - data[col].min()) else: data_norm[col] = (data[col].max() - data[col]) / (data[col].max() - data[col].min()) # 计算熵权 p = data_norm / data_norm.sum(axis=0) e = (-1 / np.log(len(data))) * (p * np.log(p)).sum(axis=0) weights = (1 - e) / (1 - e).sum() # 加权标准化 weighted_matrix = data_norm * weights # 确定理想解 positive_ideal = weighted_matrix.max(axis=0) negative_ideal = weighted_matrix.min(axis=0) # 计算距离 d_plus = np.sqrt(((weighted_matrix - positive_ideal)**2).sum(axis=1)) d_minus = np.sqrt(((weighted_matrix - negative_ideal)**2).sum(axis=1)) # 计算接近度 closeness = d_minus / (d_plus + d_minus) return closeness.sort_values(ascending=False) # 示例数据 data = pd.DataFrame({ '销售额': [500, 800, 600], '成本': [200, 150, 180], '满意度': [0.8, 0.9, 0.7] }) result = entropy_weight_topsis(data, positive_cols=['销售额','满意度']) print("方案排序结果:\n", result) ``` #### 四、数据处理要点 1. **指标方向统一**:需明确区分正向指标(越大越好)和负向指标(越小越好) 2. **数据归一化**:消除量纲差异,建议采用极差标准化 3. **零值处理**:计算信息熵时需避免p=0,可添加极小值ε=1e-6 #### 五、常见应用场景 1. 供应商选择 2. 投资项目评估 3. 城市发展水平评价 4. 医疗质量评估
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