[SDOI2016 Round1] 征途[斜率优化]

本文解析了SDOI2016征途问题,通过动态规划与斜率优化技巧,解决如何使每天行程长度方差最小的问题。适用于理解动态规划优化及竞赛编程。

 

2225. [SDOI2016 Round1] 征途

★★★☆   输入文件:menci_journey.in   输出文件:menci_journey.out   简单对比
时间限制:1 s   内存限制:256 MB

【题目描述】

 

Pine 开始了从 S 地到 T 地的征途。

 

从 S 地到 T 地的路可以划分成 n 段,相邻两段路的分界点设有休息站。
Pine 计划用 m 天到达 T 地。除第 m 天外,每一天晚上 Pine 都必须在休息站过夜。所以,一段路必须在同一天中走完。
Pine 希望每一天走的路长度尽可能相近,所以他希望每一天走的路的长度的方差尽可能小。
帮助 Pine 求出最小方差是多少。

 

设方差是 v,可以证明,v×m2 是一个整数。为了避免精度误差,输出结果时输出 v×m2

 

【输入格式】

 

第一行两个数 nm

 

第二行 n 个数,表示 n 段路的长度。

 

【输出格式】

 

一个数,最小方差乘以 m2 后的值。

 

【样例输入】

 

5 2

 

1 2 5 8 6

 

【样例输出】

 

36

 

【提示】

 

 

 

对于 30% 的数据,1n10
对于 60% 的数据,1n100
对于 100% 的数据,1n3000
保证从 S 到 T 的总路程不超过 30000

 

 

 

【来源】

 

SDOI2016 Round1 Day2

 

数据已由出题人修正

 

我们把f[i][j]作为用过了第i次一共取了j个数的最小值.

斜率优化:

#include<cstdio>
#include<cstring>
using namespace std;
typedef long long ll;
 
#define pf(x) ((x)*(x))
#define FRE(name) freopen(#name".in","r",stdin);freopen(#name".out","w",stdout);
#ifdef WIN32
#define LL "%I64d"
#else
#define LL "%lld"
#endif
 
const int N=3005;
int n,m,a[N],q[N];
ll ans,sum[N],f[N][N];
inline double get(int i,int x,int y){
    return ((double)(f[i][x]-f[i][y]+pf(sum[x])-pf(sum[y])))/((double)(sum[x]-sum[y]));
}
int main(){
    FRE(menci_journey);
    scanf("%d%d",&n,&m);
    for(int i=1;i<=n;i++) scanf("%d",&a[i]),sum[i]=sum[i-1]+a[i];
    memset(f,0x3f3f3f3f,sizeof f);
    f[0][0]=0;
    for(int i=1;i<=m;i++){
        int h=1,t=1;
        for(int j=1;j<=n;j++){
            while(h<t&&get(i-1,q[h+1],q[h])<(double)(sum[j]<<1)) h++;//获取当前最优k 
            f[i][j]=f[i-1][q[h]]+pf(sum[j]-sum[q[h]]);
            while(h<t&&get(i-1,q[t],q[t-1])>get(i-1,j,q[t])) t--;//维护min(slope) 
            q[++t]=j;
        }
    }
    ans=f[m][n]*m-pf(sum[n]);
    printf(LL,ans);
    return 0;
}

 

转载于:https://www.cnblogs.com/shenben/p/6625503.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