POJ 1947 Rebuilding Roads(树形DP)

本文介绍了一种使用动态规划解决树形结构中最小边删减数问题的方法。通过定义状态dp[u][p]来表示以u为根节点且保留p个节点时最少需要删除的边数,进而解决给定n个点的树中,至少删除多少边能得到包含p个节点的树的问题。

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

题意:

给定 n 个点的树,最少删多少边,会有棵 p 个节点的树。

思路:

1. dp[u][p] 表示以 u 为根节点保留 p 个节点最少删除的边数。初始化的地方比较巧妙:dp[u][1] = 0,其他赋值 INFS

2. 如果保留 u 的孩子节点 v,则有 dp[u][p] = min(dp[u][p - k] + dp[v][k]),如果不保留则有 dp[u][p] = dp[u][p] + 1

3. 此题的时间复杂度为 O(p* n) ,不能采取有交集的泛化物品的并的 O(p * n) 的解法,因为对于子树,相对的背包容量并不固定。

 

#include <iostream>
#include <algorithm>
using namespace std;

const int MAXN = 160;
const int INFS = 0x3fffffff;
int dp[MAXN][MAXN], U[MAXN], V[MAXN];
bool vis[MAXN];

void treedp(int u, int vol, int n)
{
    for (int v = 0; v <= vol; ++v)
        dp[u][v] = INFS;
    dp[u][1] = 0;

    for (int i = 1; i < n; ++i)
    {
        if (u != U[i])
            continue ;

        treedp(V[i], vol, n);
        for (int v = vol; v >= 0; --v)
        {
            int ans = INFS;
            if (dp[u][v] != INFS)
                ans = dp[u][v] + 1;

            for (int p = 0; p <= v; ++p)
                if (dp[u][p] != INFS && dp[V[i]][v - p] != INFS)
                    ans = min(ans, dp[u][p] + dp[V[i]][v - p]);

            dp[u][v] = ans;
        }
    }
}

int main()
{
    int n, p;
    while (scanf("%d %d", &n, &p) != EOF)
    {
        memset(vis, false, sizeof(vis));
        for (int i = 1; i < n; ++i)
        {
            scanf("%d %d", &U[i], &V[i]);
            vis[V[i]] = true;
        }

        int rt;
        for (int i = 1; i <= n; ++i)
            if (!vis[i])
                rt = i;

        treedp(rt, p, n);

        int ans = dp[rt][p];
        for (int i = 1; i <= n; ++i)
            if (dp[i][p] < ans)
                ans = dp[i][p] + 1;

        printf("%d\n", ans);
    }
    return 0;
}

转载于:https://www.cnblogs.com/kedebug/archive/2013/02/20/2917950.html

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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