BZOJ 1040 ZJOI2008 骑士 树形DP

本文介绍了一种解决基环树中寻找最大点独立集问题的方法,利用树形DP算法,通过断开特定边来处理基环树,并讨论了具体的实现细节。

题目大意:给定一个基环树林,每一个点上有权值,要求选择一个权值和最大的点集,要求点集中的随意两个点之间不能直接相连

最大点独立集……考虑到n<=100W,网络流铁定跑不了,于是我们考虑树形DP

对于每棵基环树,我们找到环上的一条边,设边上的两端点分别为u和v,f[i]为以i为根的子树在取i点的情况下的最大权值。g[i]为不取,于是我们有下面做法:

1.断掉这条边

2.u不取。v随意。我们以u为根跑一遍树形DP,取g[u]

3.v不取,u随意,我们以v为根跑一遍树形DP,取g[v]

4.取上述两个值中的最大值,记入ans

非常不错的一道题 能够拿来练练基环树 也许能够写写Island?

70%达成 冻死我了 碎叫去

#include<cstdio>
#include<cstring>
#include<iostream>
#include<algorithm>
#define M 1001001
using namespace std;
typedef long long ll;
struct abcd{
	int to,next;
}table[M<<1];
int head[M],tot=1;
int n,a[M],v[M],U,V,E;
ll f[M],g[M],ans;//f-选 g-不选 
void add(int x,int y)
{
	table[++tot].to=y;
	table[tot].next=head[x];
	head[x]=tot;
}
void dfs(int x,int from)
{
	int i;
	v[x]=1;
	for(i=head[x];i;i=table[i].next)
	{
		if( (i^1)==from )
			continue;
		if(v[table[i].to])
		{
			U=x;
			V=table[i].to;
			E=i;
			continue;
		}
		dfs(table[i].to,i);
	}
}
void Tree_DP(int x,int from,int ban)
{
	int i;
	f[x]=a[x];
	g[x]=0;
	for(i=head[x];i;i=table[i].next)
	{
		if( i==ban || (i^1)==ban )
			continue;
		if( (i^1)==from )
			continue;
		Tree_DP(table[i].to,i,ban);
		f[x]+=g[table[i].to];
		g[x]+=max(f[table[i].to],g[table[i].to]);
	}
}
int main()
{
	int i,x;
	cin>>n;
	for(i=1;i<=n;i++)
	{
		scanf("%d%d",&a[i],&x);
		add(i,x);
		add(x,i);
	}
	for(i=1;i<=n;i++)
		if(!v[i])
		{
			dfs(i,0);
			Tree_DP(U,0,E);
			ll temp=g[U];
			Tree_DP(V,0,E);
			temp=max(temp,g[V]);
			ans+=temp;
		}
	cout<<ans<<endl;
}


MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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