NOIP2011 洛谷P1315 观光公交

公交车乘车时间优化问题解题思路
博客围绕公交车乘车时间优化问题展开。先解释数组意义,如d[i]表示公交两点间行驶时间等。给出无加速器时公交到达各点时间的计算方法及初始答案。接着考虑加速器使用,算出各间隔加速乘客数,依贪心想法选取加速位置,修改距离后重新计算,复杂度为O(nk)。

题目传送门

 


 

 

先解释一下数组的意义:

d[i]表示公交车从第i个点到第i+1个点需要的时间

pas结构体中:t表示这个乘客到公交站牌的时间,u表示起点,v表示终点

wait[i]表示公交车在第i个站点等待的时间

arr[i]表示到达公交车每个点的时间

reach[i]表示对于每一个点如果用加速器最多可以影响到哪一个点的乘客

sum[i]用来处理前缀和,表示从第一个点到当前点的所有乘客数量之和

 


 

 

解题思路: 

先考虑没有加速器的情况,这时可以得到公交车到达每个点的时间

就是公交车到达前一个点的时间和乘客最晚到达的前一个点时间的最大值加上公交车到达下一个点所需要的时间:arr[i]=max(arr[i-1],wait[i-1])+d[i-1]

注意:公交车要等所有的乘客都到达站点才会出发

于是就得到了初始答案:ans=Σi=1m (arr[pas[i].v]-pas[i].t)

由于加速器会减少总的乘车时间,所以我们只需要找到如何用加速器减少更多的乘客的乘车时间,直接从初始答案中减去即可

接下来考虑在哪两个点之间加速

如果公交车到达一个点的时间早于最后一个乘客上车的时间,那么在到达这个点之前的路上把加速器都用光也不能减少目的地在这个点后面的乘客的时间,他们会被这个点的等待时间限制住(这个乘客真的烦yinQwQ)

这样就可以算出每一个间隔会加速多少个乘客

用reach[i]表示在第i个点时,如果用加速器最多可以影响到哪一个点的乘客

转移:

if(arr[i+1]>wait[i+1])

  reach[i]=reach[i+1]

if(arr[i+1]≤wait[i+1])

  reach[i]=i+1

 

根据贪心的想法,每次加速器肯定是加速乘客最多的地方,于是每次选取max1≤i≤n{sum[reach[i]]-sum[i]},其中sum[i]时目的地为i的乘客数量的前缀和

找到这个位置,把他的距离-1,然后再从答案中减去这个乘客数,重复直加速器用完或者无法加速为止

注意:每次修改距离后都要重新计算arr[i]

复杂度    O(nk)

代码:

 

#include<cstdio>
#include<iostream>
#include<cstdlib>
#include<iomanip>
#include<cmath>
#include<cstring>
#include<string>
#include<algorithm>
#include<time.h>
#include<queue>
using namespace std;
typedef long long ll;
#define rep(i,a,n) for(int i=a;i<=n;i++)
#define per(i,n,a) for(int i=n;i>=a;i--)
ll read(){
    ll ans=0;
    char last=' ',ch=getchar();
    while(ch<'0' || ch>'9')last=ch,ch=getchar();
    while(ch>='0' && ch<='9')ans=ans*10+ch-'0',ch=getchar();
    if(last=='-')ans=-ans;
    return ans;
}


int n,m,k,ans,d[1001],wait[1001],arr[1001],reach[1001],sum[1001];
int maxn=-1;

struct pass
{
    int t,u,v;
}pas[100001];

int main()
{
    n=read(),m=read(),k=read();
    rep(i,1,n-1)
        d[i]=read();
    rep(i,1,m)
        pas[i].t=read(),pas[i].u=read(),pas[i].v=read();
    rep(i,1,m)
    {
        wait[pas[i].u]=max(wait[pas[i].u],pas[i].t);
        sum[pas[i].v]+=1;//分别到达每个点的人数 
    }
    arr[1]=wait[1];
    rep(i,1,n)
    {
        sum[i]+=sum[i-1];//前缀和 
    }
    rep(i,2,n)
        arr[i]=max(arr[i-1],wait[i-1])+d[i-1];//到达地点i的时间 
    rep(i,1,m)
    {
        ans+=arr[pas[i].v]-pas[i].t;//处理初始答案 
    }
    
    
    while(k)//当还有加速器剩余时 
    {
        --k;
        reach[n]=reach[n-1]=n;
        int tar;
        maxn=-1;
        per(i,n-2,1)
        {
            if(arr[i+1]<=wait[i+1])
                reach[i]=i+1;
            else 
                reach[i]=reach[i+1];
        }
        
        rep(i,1,n-1)
        {
            int tmp=sum[reach[i]]-sum[i];
            if(tmp>maxn&&d[i]>0)
            {
                maxn=tmp;
                
                tar=i;
            }//查找最大的乘客数量并进行标记 
        }
        
        ans-=maxn;//从答案中减去 
        d[tar]--;
        rep(i,2,n)
        arr[i]=max(arr[i-1],wait[i-1])+d[i-1];//重新计算arr 
    }
    
    
    cout<<ans;
}

 

转载于:https://www.cnblogs.com/lcezych/p/10939917.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