[APIO2015] 雅加达的摩天楼

本文探讨了在大规模数据集上使用SPFA算法进行最短路径寻找时的优化策略。通过分块处理和预处理技术,有效减少了计算复杂度,实现了高效寻径。特别关注了在特定场景下如何构建图模型,以及如何处理窗口与狗跳跃问题。

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

link

考虑暴力,每个狗直接向他能到达的点连一条以到达时间为边权的边,然后跑$spfa$即可,建变数量$N\times M$

但是$N \leq 30000,M \leq 30000$,所以优化建图,怎么搞呢,分块大法。我们设定$i\times n+j$想做在第$j$个大楼上有第$i$个窗户,能直接到达离他距离为j的大楼上,怎么将分块放上去呢,我们只处理长度小于$\sqrt{n}$的散块,整块直接暴力连边即可。怎么去具体连边呢,我们确定块长,$min(100,\sqrt{n})$是比较玄学的块长,然后先处理窗户,每个窗户与这个大楼本身连边,边权为$0$,然后再将平行(窗户都为i),连一条边权为$1$的边,然后开始搞狗的情况,如果狗的跳跃距离大于块长,那么就暴力连边,边权为刚才所说的暴力边权,其余情况就连窗户,边权为$1$

#include<iostream>
#include<cstdio>
#include<cmath>
#include<queue>
using namespace std;
const int N=30005,inf=1e9;
int n,m,b[N],p[N],h[N*200],cnt,bs,dis[N*200];
bool v[N*200];
queue<int>q;
struct qwe
{
    int ne,to,va;
}e[N*500];
int read()
{
    int r=0,f=1;
    char p=getchar();
    while(p>'9'||p<'0')
    {
        if(p=='-')f=-1;p=getchar();
    }
    while(p>='0'&&p<='9')
    {
        r=r*10+p-48;
        p=getchar();
    }
    return r*f;
}
void add(int u,int v,int w)
{
    cnt++;
    e[cnt].ne=h[u];
    e[cnt].to=v;
    e[cnt].va=w;
    h[u]=cnt;
}
int main()
{
    n=read(),m=read();
    bs=min((int)sqrt(n),100);
    for(int i=1;i<=m;i++)
        b[i]=read()+1,p[i]=read();
    for(int i=1;i<=bs;i++)
        for(int j=1;j<=n;j++)
            add(i*n+j,j,0);
    for(int i=1;i<=bs;i++)
        for(int j=1;j<=n-i;j++)
            add(i*n+j,i*n+j+i,1),add(i*n+j+i,i*n+j,1);
    for(int i=1;i<=m;i++)
    {
        if(p[i]<=bs)
            add(b[i],p[i]*n+b[i],0);
        else
        {
            for(int j=1;b[i]+j*p[i]<=n;j++) 
                add(b[i],b[i]+j*p[i],j);  
            for(int j=1;b[i]-j*p[i]>=1;j++) 
                add(b[i],b[i]-j*p[i],j);  
        }
    }
    for(int i=1;i<=n*200;i++)
        dis[i]=inf;
    int s=b[1],t=b[2];
    dis[s]=0,v[s]=1,q.push(s);
    while(!q.empty())
    {
        int u=q.front();
        q.pop();
        v[u]=0;
        for(int i=h[u];i;i=e[i].ne)
            if(dis[e[i].to]>dis[u]+e[i].va)
            {
                dis[e[i].to]=dis[u]+e[i].va;
                if(!v[e[i].to])
                {
                    v[e[i].to]=1;
                    q.push(e[i].to);
                }
            }
    }
    printf("%d\n",dis[t]==inf?-1:dis[t]);
    return 0;
}
View Code

 

转载于:https://www.cnblogs.com/si-rui-yang/p/9856234.html

内容概要:该研究通过在黑龙江省某示范村进行24小时实地测试,比较了燃煤炉具与自动/手动进料生物质炉具的污染物排放特征。结果显示,生物质炉具相比燃煤炉具显著降低了PM2.5、CO和SO2的排放(自动进料分别降低41.2%、54.3%、40.0%;手动进料降低35.3%、22.1%、20.0%),但NOx排放未降低甚至有所增加。研究还发现,经济性和便利性是影响生物质炉具推广的重要因素。该研究不仅提供了实际排放数据支持,还通过Python代码详细复现了排放特征比较、减排效果计算和结果可视化,进一步探讨了燃料性质、动态排放特征、碳平衡计算以及政策建议。 适合人群:从事环境科学研究的学者、政府环保部门工作人员、能源政策制定者、关注农村能源转型的社会人士。 使用场景及目标:①评估生物质炉具在农村地区的推广潜力;②为政策制定者提供科学依据,优化补贴政策;③帮助研究人员深入了解生物质炉具的排放特征和技术改进方向;④为企业研发更高效的生物质炉具提供参考。 其他说明:该研究通过大量数据分析和模拟,揭示了生物质炉具在实际应用中的优点和挑战,特别是NOx排放增加的问题。研究还提出了多项具体的技术改进方向和政策建议,如优化进料方式、提高热效率、建设本地颗粒厂等,为生物质炉具的广泛推广提供了可行路径。此外,研究还开发了一个智能政策建议生成系统,可以根据不同地区的特征定制化生成政策建议,为农村能源转型提供了有力支持。
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