poj1741 Tree 点分治

本文深入探讨了树分治与点分治算法的基本概念、实现过程及应用场景,详细介绍了如何通过树分治解决树状结构问题,以及点分治在复杂数据结构中的应用,特别强调了其在解决大规模数据问题时的高效性。

入门题,算是对树分治有了初步的理解吧。

#include<iostream>
#include<cstdio>
#include<cstring>
#include<cstdlib>
#include<algorithm>
#include<vector>
#define REP(i,a,b) for(int i=a;i<=b;i++)
#define MS0(a) memset(a,0,sizeof(a))

using namespace std;

typedef long long ll;
const int maxn=20100;
const int INF=1e9+10;

int n,k;
int u,v,w;
struct Edge
{
    int v,w;
};
vector<Edge> G[maxn];
vector<int> d;
bool vis[maxn];

void dfs_d(int u,int f,int dep)
{
    for(int i=0;i<G[u].size();i++){
        int v=G[u][i].v;
        if(v==f||vis[v]) continue;
        dfs_d(v,u,dep+G[u][i].w);
        d.push_back(dep+G[u][i].w);
    }
}

void dfs_ds(int u,int f,int dep)
{
    d.push_back(dep);
    for(int i=0;i<G[u].size();i++){
        int v=G[u][i].v;
        if(v==f||vis[v]) continue;
        dfs_ds(v,u,dep+G[u][i].w);
    }
}

///---get_root
int rt,balance;
int get_root(int u,int f,int sz)
{
    int cnt=1,balance1=0;
    for(int i=0;i<G[u].size();i++){
        int v=G[u][i].v;
        if(v==f||vis[v]) continue;
        int tmp=get_root(v,u,sz);
        cnt+=tmp;
        balance1=max(balance1,tmp);
    }
    balance1=max(balance1,sz-cnt);
    if(balance1<balance){
        rt=u;
        balance=balance1;
    }
    return cnt;
}

int solve(int u)
{
    rt=u,balance=INF;
    int sz=get_root(u,0,n);
    rt=u,balance=INF;
    get_root(u,0,sz);
    u=rt;
    vis[u]=1;
    int res=0;
    d.clear();
    dfs_d(u,0,0);
    sort(d.begin(),d.end());
    for(int i=0;i<d.size();i++){
        if(d[i]<=k) res++;
    }
    for(int l=0,r=(int)d.size()-1;l<r;l++){
        while(r>l&&d[r]+d[l]>k) r--;
        res+=r-l;
    }
    for(int i=0;i<G[u].size();i++){
        int v=G[u][i].v;
        if(vis[v]) continue;
        d.clear();
        dfs_ds(v,u,G[u][i].w);
        sort(d.begin(),d.end());
        for(int l=0,r=(int)d.size()-1;l<r;l++){
            while(r>l&&d[r]+d[l]>k) r--;
            res-=r-l;
        }
    }
    for(int i=0;i<G[u].size();i++){
        int v=G[u][i].v;
        if(vis[v]) continue;
        res+=solve(v);
    }
    return res;
}

void play()
{
    freopen("in.txt","w",stdout);
    n=10000;k=1000000;
    cout<<n<<" "<<k<<endl;
    for(int i=1;i<n;i++){
        cout<<i<<" "<<i+1<<" "<<1<<endl;
    }
    cout<<0<<" "<<0<<endl;
}

int main()
{
    //play();return 0;
    //freopen("in.txt","r",stdin);
    while(~scanf("%d%d",&n,&k)){
        if(n==0&&k==0) break;
        REP(i,1,n) G[i].clear();
        REP(i,1,n-1){
            scanf("%d%d%d",&u,&v,&w);
            G[u].push_back({v,w});
            G[v].push_back({u,w});
        }
        MS0(vis);
        printf("%d\n",solve(1));
    }
    return 0;
}
View Code

 对于点分治,我的理解就是进行logn次暴力,每次暴力的复杂度为n,总复杂度为n*logn。

 

转载于:https://www.cnblogs.com/--560/p/5277061.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