HDU 6203 ping ping ping (LCA+DFS序)

思路参考:http://blog.csdn.net/DorMOUSENone/article/details/77929604

题意:

      n+1 个点 n 条边的树(点标号 0 ~ n),有若干个点无法通行,导致 p 组 U V 无法连通。问无法通行的点最少有多少个。

思路:

     思路同参考博客。本人手拙,用线段树维护的LCA询问,代码更长一些。

     看到这题想到的是LCA+树链剖分,原理相同,排序LCA后,查询链上是否有坏点,但实现起来实在麻烦。同样是对于祖先信息的维护和查询,DFS序就简单许多。

代码:

#include <bits/stdc++.h>
using namespace std;
#define ls l,mid,rt*2
#define rs mid+1,r,rt*2+1
#define mi (l+r)/2
const int MAXN=1e4+7;
const int INF=0x3f3f3f3f;
typedef struct Node{
    int x,y,lca;
    bool operator < (const Node &a)const{
        return lca>a.lca;
    }
}Node;
Node nodes[MAXN*5];
int anspos,n,m,in[MAXN],out[MAXN],order[2*MAXN],depth[MAXN],cnt,tree[MAXN*8],minn,st,en;
bool lazy[MAXN*4];
vector<int> edge[MAXN];

void ini(){
    depth[0]=0;cnt=0;
    for(int i=0;i<=n;i++) edge[i].clear();
}
void dfs1(int pos,int fa){
    int len=edge[pos].size();
    order[++cnt]=pos;
    in[pos]=cnt;
    for(int i=0;i<len;i++){
        if(edge[pos][i]!=fa){
            depth[edge[pos][i]]=depth[pos]+1;
            dfs1(edge[pos][i],pos);
            order[++cnt]=pos;
        }
    }
    return ;
}
void dfs2(int pos,int fa){
    int len=edge[pos].size();
    in[pos]=++cnt;
    for(int i=0;i<len;i++){
        if(edge[pos][i]!=fa){
            dfs2(edge[pos][i],pos);
        }
    }
    out[pos]=cnt;
}
void push_down2(int rt){
    if(lazy[rt]) lazy[rt*2]=lazy[rt*2+1]=1;
}
void push_up1(int rt){
    tree[rt]=min(tree[rt*2],tree[rt*2+1]);
}
void build1(int l,int r,int rt){
    if(l==r){
        tree[rt]=depth[order[l]];
        return ;
    }
    int mid=mi;
    build1(ls);build1(rs);push_up1(rt);
}
void build2(int l,int r,int rt){
    lazy[rt]=0;
    if(l==r){
        return ;
    }
    int mid=mi;
    build2(ls);build2(rs);
}
void update2(int l,int r,int rt){
    if(l>en||r<st) return ;
    if(st<=l&&r<=en){
        lazy[rt]=1;
        return ;
    }
    int mid=mi;
    update2(ls);
    update2(rs);
   // push_up2(rt);
}
void query1(int l,int r,int rt){
    if(l>en||r<st) return ;
    if(st<=l&&r<=en){
        if(tree[rt]>minn) return ;
        minn=tree[rt];
    }
    if(l==r){
        anspos=l;
        return ;
    }
    int mid=mi;
    query1(ls);query1(rs);
}
bool query2(int l,int r,int rt){
    if(l>en||r<st) return 0;
    if(lazy[rt]) return 1;
    if(l==r) return 0;
    push_down2(rt);
    int mid=mi;
    return query2(ls)||query2(rs);
}
int main(){
    while(scanf("%d",&n)!=-1){
        ini();
        for(int i=1;i<=n;i++){int x,y;
            scanf("%d%d",&x,&y);
            edge[x].push_back(y);
            edge[y].push_back(x);
        }
        dfs1(0,-1);
        build1(1,cnt,1);
        scanf("%d",&m);
        for(int i=0;i<m;i++){int x,y;
            scanf("%d%d",&x,&y);
            st=in[x];en=in[y];minn=INF;
            if(st>en) swap(st,en);
            query1(1,cnt,1);
            nodes[i]={x,y,order[anspos]};
        }
        sort(nodes,nodes+m);
        int ans=0;cnt=0;
        dfs2(0,-1);
        build2(1,cnt,1);
        for(int i=0;i<m;i++){
            st=en=in[nodes[i].x];
            if(!query2(1,cnt,1)){
                st=en=in[nodes[i].y];
                if(!query2(1,cnt,1)){
                    ans++;
                    st=in[nodes[i].lca];
                    en=out[nodes[i].lca];
                    update2(1,cnt,1);
                }
            }
        }
        cout<<ans<<endl;
    }
}




深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理列数据,如时间列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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