BZOJ1131[POI2008]Sta——树形DP

本文介绍了一种算法,用于在给定的N个点组成的树结构中,寻找一个点作为根节点时,使得所有点的深度之和达到最大值。通过深度优先搜索策略,实现了从任意节点出发计算所有节点深度总和的过程,并最终确定了最优根节点。

题目描述

给出一个N个点的树,找出一个点来,以这个点为根的树时,所有点的深度之和最大

输入

给出一个数字N,代表有N个点.N<=1000000 下面N-1条边.

输出

输出你所找到的点,如果具有多个解,请输出编号最小的那个.

样例输入

8
1 4
5 6
4 5
6 7
6 8
2 4
3 4

样例输出

7
 
  先求出以一个点为根的深度之和,再向子节点转移,每次转移到的子树中所有点深度-1,其他点深度+1.
#include<cstdio>
#include<algorithm>
#include<iostream>
#include<cstring>
#include<cmath>
#include<map>
#include<queue>
#include<vector>
using namespace std;
int head[2000010];
int next[4000010];
int to[4000010];
long long dep[2000010];
long long size[2000010];
long long ans[2000010];
int tot;
int n;
int x,y;
long long sum;
int num;
void add(int x,int y)
{
    tot++;
    next[tot]=head[x];
    head[x]=tot;
    to[tot]=y;
}
void dfs(int x,int fa)
{
    for(int i=head[x];i;i=next[i])
    {
        if(to[i]!=fa)
        {
            dep[to[i]]=dep[x]+1;
            dfs(to[i],x);
            size[x]+=size[to[i]];
        }
    }
}
void dfs2(int x,int fa)
{
    ans[1]+=dep[x];
    for(int i=head[x];i;i=next[i])
    {
        if(to[i]!=fa)
        {
            dfs2(to[i],x);
        }
    }
}
void dfs3(int x,int fa)
{
    for(int i=head[x];i;i=next[i])
    {
        if(to[i]!=fa)
        {
            ans[to[i]]=ans[x]-size[to[i]]+n-size[to[i]];
            dfs3(to[i],x);
        }
    }
}
int main()
{
    scanf("%d",&n);
    for(int i=1;i<n;i++)
    {
        scanf("%d%d",&x,&y);
        add(x,y);
        add(y,x);
    }
    for(int i=1;i<=n;i++)
    {
        size[i]=1;
    }
    dep[1]=0;
    dfs(1,1);
    dfs2(1,1);
    dfs3(1,1);
    sum=0;
    for(int i=1;i<=n;i++)
    {
        if(sum<ans[i])
        {
            sum=ans[i];
            num=i;
        }
    }
    printf("%d",num);
}

 

转载于:https://www.cnblogs.com/Khada-Jhin/p/9321724.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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