FZU 2195 检查站点 (树形dp)

本文探讨了一个在山上检查多个站点时,如何通过调整检查顺序来减少上下山额外所需时间的问题。通过构建站点之间的连接关系并使用动态规划算法,实现优化路径选择,从而最小化整体额外时间。

Problem 2195 检查站点

Accept: 129    Submit: 310
Time Limit: 1000 mSec    Memory Limit : 32768 KB

Problem Description

在山上一共有N个站点需要检查,检查员从山顶出发去各个站点进行检查,各个站点间有且仅有一条通路,检查员下山前往站点时比较轻松,而上山时却需要额外的时间,问最后检查员检查完所有站点时所需要的额外时间最少是多少。

Input

包含多组数据每组数据输入第一行为一个整数N 表示站点个数(1<=N<=100000),接下去N-1 行 每行3个整数 x,y,z(1<=z<=10000) 检查站x为检查站y的父节点,x,y之间有一条通路,从y到x需要额外z的时间。(父节点在子节点上方,山顶固定标号为1)

Output

输出一行一个整数表示最少需要花费的额外时间。

Sample Input

61 2 12 4 11 3 13 5 13 6 1

Sample Output

3

Source

福州大学第十二届程序设计竞赛


#pragma comment(linker, "/STACK:1024000000,1024000000")
#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#include<cmath>
#include<queue>
#include<stack>
#include<vector>
#include<set>
#include<map>

#define L(x) (x<<1)
#define R(x) (x<<1|1)
#define MID(x,y) ((x+y)>>1)

#define bug printf("hihi\n")

#define eps 1e-8

typedef long long ll;

using namespace std;
#define INF 0x3f3f3f3f
#define N 100005

int head[N],num;
struct stud{
  int to,ne,len;
}e[N*2];

int n;
int dp[N][2];

inline void add(int u,int v,int len)
{
    e[num].to=v;
    e[num].len=len;
    e[num].ne=head[u];
    head[u]=num++;
}

void dfs(int u,int pre)
{
       dp[u][0]=dp[u][1]=0;

       for(int i=head[u];i!=-1;i=e[i].ne)
       {
           int to=e[i].to;
           if(to==pre) continue;

           dfs(to,u);
           dp[u][1]=min(dp[u][1]+dp[to][0]+e[i].len,dp[u][0]+dp[to][1]);
           dp[u][0]=dp[u][0]+dp[to][0]+e[i].len;
       }
}

int main()
{
    int i,j;
    while(~scanf("%d",&n))
    {
        memset(head,-1,sizeof(head));
        num=0;
        int u,v,len;
        i=n-1;
        while(i--)
        {
            scanf("%d%d%d",&u,&v,&len);
            add(u,v,len);
        }
        dfs(1,-1);
        printf("%d\n",min(dp[1][0],dp[1][1]));
    }
    return 0;
}




内容概要:本文介绍了一个基于冠豪猪优化算法(CPO)的无人机三维路径规划项目,利用Python实现了在复杂三维环境中为无人机规划安全、高效、低能耗飞行路径的完整解决方案。项目涵盖空间环境建模、无人机动力学约束、路径编码、多目标代价函数设计以及CPO算法的核心实现。通过体素网格建模、动态障碍物处理、路径平滑技术和多约束融合机制,系统能够在高维、密集障碍环境下快速搜索出满足飞行可行性、安全性与能效最优的路径,并支持在线重规划以适应动态环境变化。文中还提供了关键模块的代码示例,包括环境建模、路径评估和CPO优化流程。; 适合人群:具备一定Python编程基础和优化算法基础知识,从事无人机、智能机器人、路径规划或智能优化算法研究的相关科研人员与工程技术人员,尤其适合研究生及有一定工作经验的研发工程师。; 使用场景及目标:①应用于复杂三维环境下的无人机自主导航与避障;②研究智能优化算法(如CPO)在路径规划中的实际部署与性能优化;③实现多目标(路径最短、能耗最低、安全性最高)耦合条件下的工程化路径求解;④构建可扩展的智能无人系统决策框架。; 阅读建议:建议结合文中模型架构与代码示例进行实践运行,重点关注目标函数设计、CPO算法改进策略与约束处理机制,宜在仿真环境中测试不同场景以深入理解算法行为与系统鲁棒性。
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