P2503 [HAOI2006]均分数据

均方差最小分组问题
本文介绍了一种解决将N个整数分成M组,使得各组数值和的均方差最小的问题的方法。通过数学推导简化目标函数,并采用模拟退火算法找到最优解。

题目描述

已知N个正整数:A1、A2、……、An 。今要将它们分成M组,使得各组数据的数值和最平均,即各组的均方差最小。均方差公式如下:

输入输出格式

输入格式:

 

输入文件data.in包括:

第一行是两个整数,表示N,M的值(N是整数个数,M是要分成的组数)

第二行有N个整数,表示A1、A2、……、An。整数的范围是1--50。

(同一行的整数间用空格分开)

 

输出格式:

 

输出文件data.out包括一行,这一行只包含一个数,表示最小均方差的值(保留小数点后两位数字)。

 

输入输出样例

输入样例#1: 
6 3
1 2 3 4 5 6
输出样例#1: 
0.00

说明

样例解释:1和6、2和5、3和4分别为一组

【数据规模】

对于40%的数据,保证有K<=N <= 10,2<=K<=6

对于全部的数据,保证有K<=N <= 20,2<=K<=6

 

Solution:

  不多逼逼,直接退火。

  我们首先对式子拆开得到:$\sigma ^2 * m= \sum\limits_{i=1}^{i\leq m}{(x_i-\overline{x})^2}=\sum\limits_{i=1}^{i\leq m}{x_i^2}-2\overline{x}\sum\limits_{i=1}^{i\leq m}{x_i}+\sum\limits_{i=1}^{i\leq m}{\overline{x}}$。

  因为和不变,组数固定,所以可以确定的是$m$组的平均值$\overline{x}$和总和$\sum\limits_{i=1}^{i\leq m}{x_i}$是定值,所以我们现在只要使得$\sum\limits_{i=1}^{i\leq m}{x_i^2}$尽可能的小。

  然后我们引入基本不等式;$a^2+b^2\geq 2ab$,证明显然,于是得到$a^2+b^2\geq \frac{(a+b)^2}{2}$。

  推广到多元:$x_1^2+x_2^2+…+x_k^2\geq \frac{(x_1+x_2+…x_k)^2}{k}$,证明很简单,直接左右同乘$k$,再对右式拆开,移项就能得到多个二元基本不等式,合起来就好了。

  考虑取等条件,$x_1=x_2=…=x_k$。

  于是本题我们要使$\sum\limits_{i=1}^{i\leq m}{x_i^2}$尽可能小,就得使$x_i$尽可能相等。

  那么直接模拟退火,随机出某个数的分组,贪心的将其加入到当前和最少的分组中,有一定概率的使用较差的解,调好常数,多随机一下就好了。

  最后只需要输出$\sqrt{\frac{sum}{m}}$就$OK$了。

代码:

 

#include<bits/stdc++.h>
#define il inline
#define ll long long
#define For(i,a,b) for(int (i)=(a);(i)<=(b);(i)++)
#define Bor(i,a,b) for(int (i)=(b);(i)>=(a);(i)--)
#define Max(a,b) ((a)>(b)?(a):(b))
#define Min(a,b) ((a)>(b)?(b):(a))
#define sqr(a) ((a)*(a))
using namespace std;
const int inf=1e9+7;
const double eps=1e-15,r=0.99;
int n,m,num[25],be[25];
double sum[25],ave=0,ans=1e15;

il void SA(){
    memset(sum,0,sizeof(sum));
    double tmp=0,T=10005;
    For(i,1,n) be[i]=rand()%m+1,sum[be[i]]+=num[i];
    For(i,1,m) tmp+=sqr(sum[i]-ave);
    while(T>eps){
        int p=min_element(sum+1,sum+m+1)-sum;
        int pos=rand()%n+1;
        double pre=tmp;
        tmp-=sqr(sum[be[pos]]-ave)+sqr(sum[p]-ave);
        sum[be[pos]]-=num[pos],sum[p]+=num[pos];
        tmp+=sqr(sum[be[pos]]-ave)+sqr(sum[p]-ave);
        if(tmp<pre||exp((tmp-pre)/T)*RAND_MAX<rand()) be[pos]=p;
        else tmp=pre,sum[be[pos]]+=num[pos],sum[p]-=num[pos];
        T*=r;
    }
    if(tmp<ans)ans=tmp;
}

int main(){
    srand(time(0));
    cin>>n>>m;
    For(i,1,n) cin>>num[i],ave+=num[i];
    ave/=m;
    For(i,1,1000) SA();
    printf("%.2lf",sqrt(ans/m));
    return 0;
}

 

转载于:https://www.cnblogs.com/five20/p/9251456.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)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、模型优化并行计算等改进策略。; 适合人群:具备一定Python编程基础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