NOI.ac #31 MST DP、哈希

本文介绍了一种将Kruskal算法与动态规划(DP)结合的方法,用于解决特定的计数问题。通过模拟Kruskal算法的加边过程,文章提出了一种基于连通块大小的DP状态表示,并详细阐述了状态转移的过程,包括非树边和树边的加入方案。最终,通过枚举所有可能的连通块大小组合,实现了问题的有效求解。

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

题目传送门:http://noi.ac/problem/31

一道思路好题
考虑模拟$Kruskal$的加边方式,然后能够发现非最小生成树边只能在一个已经由边权更小的边连成的连通块中,而树边一定会让两个连通块合为一个,故考虑以连通块为切入点设计$DP$
设字符串$s_1s_2s_3...s_i,s_1 \geq s_2 \geq s_3 \geq ... \geq s_i$表示某一个图中各个连通块的大小(可以发现我们只关心连通块有多大,但不关心连通块内具体有哪些点,因为当所有连通块大小一一对应的时候,方案也是一一对应的),$f_{s_1s_2s_3...s_i}$为通过连边达到这个图的方案数,然后考虑状态的转移


考虑已经加入了边权从$1$至$a_{n-i}$的边,现在即将加入$a_{n-i}$至$a_{n-i+1}-1$的非树边与$a_{n-i+1}$的树边
考虑非树边的加入方案,对于一个图$s_1s_2s_3...s_i$,它的总边数为$\sum\limits_{x=1}^i\frac{s_i \times (s_i-1)}2$,已经加入了$a_{n-i}$条边,所以剩余$\sum\limits_{x=1}^i\frac{s_i \times (s_i-1)}2 - a_{n-i}$可以加入非树边,所以总共的非树边加入方案是$$P_{\sum\limits_{x=1}^i\frac{s_i \times (s_i-1)}2 - a_{n-i}}^{a_{n-i+1}-a_{n-i}-1}$$当然,如果图中非树边数量小于需要加入的非树边,方案就是0,无需转移

接下来考虑树边的加入方案,我们可以在任意两个连通块之中加入边$a_{n-i+1}$,于是枚举这两个连通块$s_x,s_y$,删除$s_x,s_y$、加入$s_x+s_y$并排序得到新的图$s_1's_2'...s_{i-1}'$,那么从$s_1s_2s_3...s_i$到$s_1's_2',...,s_{i-1}'$就有$$P_{\sum\limits_{x=1}^i\frac{s_i \times (s_i-1)}2 - a_{n-i}}^{a_{n-i+1}-a_{n-i}-1}$$种非树边加入方式与$$s_x \times s_y$$种树边加入方式,就有$$f_{s_1's_2'...s_{i-1}'} += f_{s_1s_2s_3...s_i} \times P_{\sum\limits_{x=1}^i\frac{s_i \times (s_i-1)}2 - a_{n-i}}^{a_{n-i+1}-a_{n-i}-1} \times s_x \times s_y$$的答案贡献


最后考虑$f_{s_1s_2s_3...s_i}$的存储方式,显然用$dfs$枚举可行字符串加上$Hash$是很不错的选择。还有一个问题:形如$s_1s_2s_3...s_i$的序列有多少个?可知有$N$个点时序列个数就是$N$的无序整数划分个数,$N=40$时的无序整数划分个数不超过$40000$,然后这道题就解决了
 
 1 #include<bits/stdc++.h>
 2 #define MOD 1000000007
 3 #define int long long
 4 using namespace std;
 5 
 6 map < string , int > m;
 7 int cntLSH , ans[40001] = {0 , 1} , a[41] , N;
 8 
 9 void forLSH(int num , int upNum , string s){
10     //枚举方案用于Hash
11     m.insert(make_pair(s + string(num , 1) , ++cntLSH));
12     for(int i = 2 ; i < upNum && i <= num ; i++)
13         for(int j = 1 ; j * i <= num ; j++)
14             forLSH(num - j * i , i , s + string(j , i));
15 }
16 
17 inline int P(int a , int b){
18 //计算排列
19     if(b > a)
20         return 0;
21     int times = 1;
22     for(int i = a - b + 1 ; i <= a ; i++)
23         times = times * i % MOD;
24     return times;
25 }
26 
27 inline void calc(string s){
28 //DP
29     int t = m.find(s)->second , num = s.size() , cnt = 0;
30     if(num == 1){
31         cout << ans[t] * P((N * (N - 1) >> 1) - a[N - 1] , (N * (N - 1) >> 1) - a[N - 1]) % MOD;
32         //不要忽视了最后几条边!
33         exit(0);
34     }
35     for(int i = 0 ; i < num ; i++)
36         cnt += s[i] * (s[i] - 1) >> 1;
37     int r = P(cnt - a[N - num] , a[N - num + 1] - a[N - num] - 1);
38     //非树边方案总数
39     for(int i = 0 ; i < num ; i++)
40         for(int j = i + 1 ; j < num ; j++){
41         //枚举连接的两个连通块
42                 string s1 = s;
43                 s1.erase(j , 1);
44                 s1.erase(i , 1);
45                 int q = lower_bound(s1.begin() , s1.end() , s[j] + s[i] , greater<char>()) - s1.begin();
46                 s1.insert(q , 1 , s[j] + s[i]);
47                 ans[m.find(s1)->second] = (ans[m.find(s1)->second] + ans[t] * r % MOD * s[j] * s[i]) % MOD;
48             }
49 }
50 
51 void dfs(int num , int upNum , string s){
52 //继续枚举可行方案进行DP
53     calc(s + string(num , 1));
54     for(int i = 2 ; i < upNum && i <= num ; i++)
55         for(int j = 1 ; j * i <= num ; j++)
56             dfs(num - j * i , i , s + string(j , i));
57 }
58 
59 main(){
60     cin >> N;
61     for(int i = 1 ; i < N ; i++)
62         cin >> a[i];
63     forLSH(N , N + 1 , "");
64     dfs(N , N + 1 , "");
65     return 0;
66 }

 

转载于:https://www.cnblogs.com/Itst/p/9748347.html

内容概要:本文针对火电厂参与直购交易挤占风电上网空间的问题,提出了一种风火打捆参与大用户直购交易的新模式。通过分析可再生能源配额机制下的双边博弈关系,建立了基于动态非合作博弈理论的博弈模型,以直购电价和直购电量为决策变量,实现双方收益均衡最大化。论文论证了纳什均衡的存在性,并提出了基于纳什谈判法的风-火利益分配方法。算例结果表明,该模式能够增加各方收益、促进风电消纳并提高电网灵活性。文中详细介绍了模型构建、成本计算和博弈均衡的实现过程,并通过Python代码复现了模型,包括参数定义、收益函数、纳什均衡求解、利益分配及可视化分析等功能。 适合人群:电力系统研究人员、能源政策制定者、从事电力市场交易的工程师和分析师。 使用场景及目标:①帮助理解风火打捆参与大用户直购交易的博弈机制;②为电力市场设计提供理论依据和技术支持;③评估不同政策(如可再生能源配额)对电力市场的影响;④通过代码实现和可视化工具辅助教学和研究。 其他说明:该研究不仅提供了理论分析,还通过详细的代码实现和算例验证了模型的有效性,为实际应用提供了参考。此外,论文还探讨了不同场景下的敏感性分析,如证书价格、风电比例等对市场结果的影响,进一步丰富了研究内容。
资源下载链接为: https://pan.quark.cn/s/d37d4dbee12c A:计算机视觉,作为人工智能领域的关键分支,致力于赋予计算机系统 “看懂” 世界的能力,从图像、视频等视觉数据中提取有用信息并据此决策。 其发展历程颇为漫长。早期图像处理技术为其奠基,后续逐步探索三维信息提取,与人工智能结合,又经历数学理论深化、机器学习兴起,直至当下深度学习引领浪潮。如今,图像生成和合成技术不断发展,让计算机视觉更深入人们的日常生活。 计算机视觉综合了图像处理、机器学习、模式识别和深度学习等技术。深度学习兴起后,卷积神经网络成为核心工具,能自动提炼复杂图像特征。它的工作流程,首先是图像获取,用相机等设备捕获视觉信息并数字化;接着进行预处理,通过滤波、去噪等操作提升图像质量;然后进入关键的特征提取和描述环节,提炼图像关键信息;之后利用这些信息训练模型,学习视觉模式和规律;最终用于模式识别、分类、对象检测等实际应用。 在实际应用中,计算机视觉用途极为广泛。在安防领域,能进行人脸识别、目标跟踪,保障公共安全;在自动驾驶领域,帮助车辆识别道路、行人、交通标志,实现安全行驶;在医疗领域,辅助医生分析医学影像,进行疾病诊断;在工业领域,用于产品质量检测、机器人操作引导等。 不过,计算机视觉发展也面临挑战。比如图像生成技术带来深度伪造风险,虚假图像和视频可能误导大众、扰乱秩序。为此,各界积极研究检测技术,以应对这一问题。随着技术持续进步,计算机视觉有望在更多领域发挥更大作用,进一步改变人们的生活和工作方式 。
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