[HNOI2017]礼物

博客围绕手镯亮度问题展开,将增加两个手镯亮度转化为增加一个手镯亮度,通过对式子拆解,发现最后两项构成二次函数,可由对称轴求最小值。前两项不受旋转影响,只需通过卷积求\(\sum_{i=1}^n a_ib_i\)最大值,还提到对称轴可能非整数需取左右对比。最后给出代码链接。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题目链接:点这里

Solution:

把两个手镯都增加亮度,可以看做只增加一个手镯的亮度,设增加的亮度为x

则我们要求的是\(\sum_{i=1}^n(a_i+x-b_i)^2\)的最小值,我们把它拆开:
\[ \sum_{i=1}^n{a_i^2+b_i^2+2a_ib_i+x^2+2x(a_i+b_i)}\\ \sum_{i=1}^na_i^2+\sum_{i=1}^nb_i^2-2\sum_{i=1}^na_ib_i+nx^2+2x\sum_{i=1}^n(a_i-b_i) \]
可以看出最后两项构成一个二次函数,可以由对称轴来求出最小值

前两项则不会因为旋转而改变,所以我们现在只需要求出\(\sum_{i=1}^na_ib_i\)的最大值就行了

我们把a倍长,把b翻转,式子就变成了:\(\sum_{i=1}^{2n}a_ib_{2n-i-1}\),这显然是一个卷积

求出卷积后,找到n+1到2n中最大的一项,就是最大的\(\sum_{i=1}^n a_ib_i\)

不过要注意求出的对称轴不一定是整数,所以要取左右对比用最小值

Code:

#include<bits/stdc++.h>
#define Pi acos(-1.0)
#define ll long long
#define int long long 
using namespace std;
const int N=4e5+10;
const double eps=1e-2;
ll ans=1926081719491001;
int len=1,tim,rtt[N],a1,b1,a2,b2;
struct cp{double x,y;}A[N*2],B[N];
cp operator + (cp a,cp b){return (cp){a.x+b.x,a.y+b.y};}
cp operator - (cp a,cp b){return (cp){a.x-b.x,a.y-b.y};}
cp operator * (cp a,cp b){return (cp){a.x*b.x-a.y*b.y,a.y*b.x+a.x*b.y};}
void FFT(cp *a,int flag){
    for(int i=0;i<len;i++)
        if(i<rtt[i]) swap(a[i],a[rtt[i]]);
    for(int l=2;l<=len;l<<=1){
        cp wn=(cp){cos(flag*2*Pi/l),sin(flag*2*Pi/l)};
        for(int st=0;st<len;st+=l){
            cp w=(cp){1,0};
            for(int u=st;u<st+(l>>1);u++,w=w*wn){
                cp x=a[u],y=w*a[u+(l>>1)];
                a[u]=x+y,a[u+(l>>1)]=x-y;
            }
        }
    }
}
int read(){
    int x=0,f=1;char ch=getchar();
    while(!isdigit(ch)){if(ch=='-')f=-f;ch=getchar();}
    while(isdigit(ch)){x=x*10+ch-48;ch=getchar();}
    return x*f;
}
signed main(){
    int n=read(),m=read();
    while(len<=(3*n)) len<<=1,++tim;
    for(int i=0;i<len;i++)
        rtt[i]=(rtt[i>>1]>>1)|((i&1)<<(tim-1));
    for(int i=1;i<=n;i++){
        int x=read();
        A[i-1].x=x,A[i+n-1].x=x;
        a1+=x*x,a2+=x;
    }
    for(int i=1;i<=n;i++){
        int x=read();
        B[n-i].x=x;
        b1+=x*x,b2+=x;
    }
    FFT(A,1);FFT(B,1);
    for(int i=0;i<=len;i++) A[i]=A[i]*B[i];
    FFT(A,-1);for(int i=0;i<=len;i++) A[i].x=(int){A[i].x/len+0.5}; 
    int minn=(b2-a2)/n,u=ans;
    for(int i=-1,mn=minn+i;i<=1;i++,mn=minn+i)
        u=min(u,a1+b1+n*mn*mn+2ll*mn*(a2-b2));
    for(int i=0;i<n;i++){
        ll now=u-2ll*(ll)A[i+n].x;
        ans=min(ans,now);
    }printf("%lld\n",ans);
    return 0;
}

转载于:https://www.cnblogs.com/NLDQY/p/10799431.html

内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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