HDU 2196 Computer 树形DP经典题

本文解析了一道经典的树形动态规划题目,通过两次深度优先搜索(DFS)找到树上每个节点到其他节点的最远距离。第一次DFS计算每个节点在不同子树中的最远距离和次远距离;第二次DFS从根节点开始更新最终答案。

链接:http://acm.hdu.edu.cn/showproblem.php?

pid=2196

题意:每一个电脑都用线连接到了还有一台电脑,连接用的线有一定的长度,最后把全部电脑连成了一棵树,问每台电脑和其它电脑的最远距离是多少。

思路:这是一道树形DP的经典题目。须要两次DFS,第一次DFS找到树上全部的节点在不同子树中的最远距离和次远的距离(在递归中进行动态规划就可以),第二次DFS从根向下更新出终于答案。对于每次更新到的节点u,他的最远距离可能是来自u的子树,或者是u的父亲节点的最远距离。假设u的父亲节点的最远距离是在第一次DFS过程中更新自u的话,那么u的最远距离就不能更新自u的父亲节点的最远节点,而是有可能更新自u的父亲节点的次远距离,这就是每次更新时要记录节点的次远距离的原因。

代码:

#include <algorithm>
#include <cmath>
#include <cstdio>
#include <cstdlib>
#include <cstring>
#include <ctime>
#include <ctype.h>
#include <iostream>
#include <map>
#include <queue>
#include <set>
#include <stack>
#include <string>
#include <vector>
#define eps 1e-8
#define INF 0x7fffffff
#define maxn 10005
#define PI acos(-1.0)
#define seed 31//131,1313
typedef long long LL;
typedef unsigned long long ULL;
using namespace std;
int dp[maxn][2],from[maxn],head[maxn],top;
void init()
{
    memset(head,-1,sizeof(head));
    memset(dp,0,sizeof(dp));
    top=0;
}
struct Edge
{
    int v,w;
    int next;
} edge[maxn*2];
void add_edge(int u,int v,int w)
{
    edge[top].v=v;
    edge[top].w=w;
    edge[top].next=head[u];
    head[u]=top++;
}
void dfs_first(int u,int f)
{
    from[u]=u;
    for(int i=head[u]; i!=-1; i=edge[i].next)
    {
        int v=edge[i].v,w=edge[i].w;
        if(v==f)
            continue;
        dfs_first(v,u);
        if(dp[v][0]+w>dp[u][0])
        {
            from[u]=v;
            dp[u][1]=dp[u][0];
            dp[u][0]=dp[v][0]+w;
        }
        else if(dp[v][0]+w>dp[u][1])
            dp[u][1]=dp[v][0]+w;
    }
}
void dfs_second(int u,int f,int k)
{
    if(u!=f)
        if(from[f]!=u)
        {
            if(dp[f][0]+k>dp[u][0])
            {
                from[u]=f;
                dp[u][1]=dp[u][0];
                dp[u][0]=dp[f][0]+k;
            }
            else if(dp[f][0]+k>dp[u][1])
                dp[u][1]=dp[f][0]+k;
        }
        else
        {
            if(dp[f][1]+k>dp[u][0])
            {
                from[u]=f;
                dp[u][1]=dp[u][0];
                dp[u][0]=dp[f][1]+k;
            }
            else if(dp[f][1]+k>dp[u][1])
                dp[u][1]=dp[f][1]+k;
        }
    for(int i=head[u]; i!=-1; i=edge[i].next)
    {
        int v=edge[i].v,w=edge[i].w;
        if(v==f)
            continue;
        dfs_second(v,u,w);
    }
}
int main()
{
    int T,v,w;
    while(~scanf("%d",&T))
    {
        init();
        for(int i=2; i<=T; i++)
        {
            scanf("%d%d",&v,&w);
            add_edge(v,i,w);
            add_edge(i,v,w);
        }
        dfs_first(1,1);
        dfs_second(1,1,0);
        for(int i=1;i<=T;i++)
            printf("%d\n",dp[i][0]);
    }
    return 0;
}


转载于:https://www.cnblogs.com/clnchanpin/p/7082650.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