bzoj1835 [ZJOI2010]base 基站选址(dp+线段树优化)

304 篇文章 2 订阅
123 篇文章 0 订阅

dp[k][i]表示在前i个位置放k个基站,且第i个位置一定放的最小花费。则
dp[k][i]=min{dp[k-1][j]+w(j,i) |k-1<=j< i}。w(j,i)表示j~i这一段只在两端建基站的额外花费。朴素的想法是预处理出w,枚举两个端点,再枚举两个端点之间的点是否被覆盖,但这样是O(n^3)的,显然不满足要求。我们考虑优化枚举过程,我们能不能从w(j,i)直接算出w[j-1,i]?可以发现,两者的唯一区别就是对于那些(我们预处理出一个L,R数组,表示i这个村庄被覆盖所要求的最左段和最右端。)R[i]< i(右端无法覆盖),而L[i]==j(本来可以刚好覆盖,而现在覆盖不了了)的点,现在要加上他们的w。这样我们就可以O(n^2k)的解决这个问题了,然而还是过不了得。。。我们还能优化个毛呢???状态就是O(nk)的了,你还要我怎样???好吧,我们只好考虑优化决策,我们不能再O(n)的去找最优了。我们考虑f[k][i]和f[k][i-1]的决策j,分别是f[k-1][j]+w[j,i],f[k-1][j]+w[j,i-1],我们发现区别只在w数组上,我们可以直接把f[k][i-1]的决策都变成f[k][i]的决策,对于那些R[x]==i-1的点,现在对于1..L[x]-1的决策覆盖不到了,所以我们对这些决策加上w[x],然后每次要求一个决策区间中的最小值,显然我们可以用线段树来维护,复杂度变为 (knlogn) ,终于可以过了。。

#include <bits/stdc++.h>
using namespace std;
#define ll long long
#define inf 0x3f3f3f3f
#define N 20010
inline int read(){
    int x=0,f=1;char ch=getchar();
    while(ch<'0'||ch>'9'){if(ch=='-')f=-1;ch=getchar();}
    while(ch>='0'&&ch<='9') x=x*10+ch-'0',ch=getchar();
    return x*f;
}
int n,kk,d[N],w[N],c[N],s[N],L[N],R[N],dp[110][N],ww[N],ans=inf,b[N];
vector<int>a[N];
struct node{
    int mn,add;
}tree[N<<2];
inline void pushup(int p){
    tree[p].mn=min(tree[p<<1].mn,tree[p<<1|1].mn);
}
inline void pushdown(int p){
    if(!tree[p].add) return;
    tree[p<<1].add+=tree[p].add;tree[p<<1|1].add+=tree[p].add;
    tree[p<<1].mn+=tree[p].add;tree[p<<1|1].mn+=tree[p].add;
    tree[p].add=0;
}
void build(int p,int l,int r,int k){
    tree[p].add=0;
    if(l==r){tree[p].mn=dp[k][l];return;}
    int mid=l+r>>1;
    build(p<<1,l,mid,k);build(p<<1|1,mid+1,r,k);
    pushup(p);
}
void add(int p,int l,int r,int x,int y,int val){
    if(x>y) return;
    if(x<=l&&r<=y){tree[p].add+=val;tree[p].mn+=val;return;}
    int mid=l+r>>1;pushdown(p);
    if(x<=mid) add(p<<1,l,mid,x,y,val);
    if(y>mid) add(p<<1|1,mid+1,r,x,y,val);
    pushup(p);
}
int qmin(int p,int l,int r,int x,int y){
    if(x>y) return 0;
    if(x<=l&&r<=y) return tree[p].mn;
    int mid=l+r>>1,res=inf;pushdown(p);
    if(x<=mid) res=min(res,qmin(p<<1,l,mid,x,y));
    if(y>mid) res=min(res,qmin(p<<1|1,mid+1,r,x,y));
    return res;
}
int main(){
//    freopen("a.in","r",stdin);
    n=read();kk=read();
    for(int i=2;i<=n;++i) d[i]=read();
    for(int i=1;i<=n;++i) c[i]=read();
    for(int i=1;i<=n;++i) s[i]=read();
    for(int i=1;i<=n;++i) w[i]=read();
    for(int i=1;i<=n;++i)
        L[i]=lower_bound(d+1,d+n+1,d[i]-s[i])-d,R[i]=upper_bound(d+1,d+n+1,d[i]+s[i])-d-1,a[R[i]].push_back(i);
    int tmp=0;
    for(int i=1;i<=n;++i){
        dp[1][i]=tmp+c[i];
        for(int j=0;j<a[i].size();++j) tmp+=w[a[i][j]];
    }
    for(int k=2;k<=kk;++k){
        build(1,1,n,k-1);
        for(int i=1;i<=n;++i){
            dp[k][i]=qmin(1,1,n,1,i-1)+c[i];
            for(int j=0;j<a[i].size();++j){
                int x=a[i][j];
                add(1,1,n,1,L[x]-1,w[x]);
            }
        }
    } 
    for(int i=n;i>=0;--i)
        ww[i]=ww[i+1]+b[i+1],b[L[i]]+=w[i];
    for(int k=1;k<=kk;++k)
        for(int i=k;i<=n;++i)
            ans=min(ans,dp[k][i]+ww[i]);
    printf("%d\n",ans);
    return 0;
}
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SQLAlchemy 是一个 SQL 工具包和对象关系映射(ORM)库,用于 Python 编程语言。它提供了一个高级的 SQL 工具和对象关系映射工具,允许开发者以 Python 类和对象的形式操作数据库,而无需编写大量的 SQL 语句。SQLAlchemy 建立在 DBAPI 之上,支持多种数据库后端,如 SQLite, MySQL, PostgreSQL 等。 SQLAlchemy 的核心功能: 对象关系映射(ORM): SQLAlchemy 允许开发者使用 Python 类来表示数据库表,使用类的实例表示表中的行。 开发者可以定义类之间的关系(如一对多、多对多),SQLAlchemy 会自动处理这些关系在数据库中的映射。 通过 ORM,开发者可以像操作 Python 对象一样操作数据库,这大大简化了数据库操作的复杂性。 表达式语言: SQLAlchemy 提供了一个丰富的 SQL 表达式语言,允许开发者以 Python 表达式的方式编写复杂的 SQL 查询。 表达式语言提供了对 SQL 语句的灵活控制,同时保持了代码的可读性和可维护性。 数据库引擎和连接池: SQLAlchemy 支持多种数据库后端,并且为每种后端提供了对应的数据库引擎。 它还提供了连接池管理功能,以优化数据库连接的创建、使用和释放。 会话管理: SQLAlchemy 使用会话(Session)来管理对象的持久化状态。 会话提供了一个工作单元(unit of work)和身份映射(identity map)的概念,使得对象的状态管理和查询更加高效。 事件系统: SQLAlchemy 提供了一个事件系统,允许开发者在 ORM 的各个生命周期阶段插入自定义的钩子函数。 这使得开发者可以在对象加载、修改、删除等操作时执行额外的逻辑。
SQLAlchemy 是一个 SQL 工具包和对象关系映射(ORM)库,用于 Python 编程语言。它提供了一个高级的 SQL 工具和对象关系映射工具,允许开发者以 Python 类和对象的形式操作数据库,而无需编写大量的 SQL 语句。SQLAlchemy 建立在 DBAPI 之上,支持多种数据库后端,如 SQLite, MySQL, PostgreSQL 等。 SQLAlchemy 的核心功能: 对象关系映射(ORM): SQLAlchemy 允许开发者使用 Python 类来表示数据库表,使用类的实例表示表中的行。 开发者可以定义类之间的关系(如一对多、多对多),SQLAlchemy 会自动处理这些关系在数据库中的映射。 通过 ORM,开发者可以像操作 Python 对象一样操作数据库,这大大简化了数据库操作的复杂性。 表达式语言: SQLAlchemy 提供了一个丰富的 SQL 表达式语言,允许开发者以 Python 表达式的方式编写复杂的 SQL 查询。 表达式语言提供了对 SQL 语句的灵活控制,同时保持了代码的可读性和可维护性。 数据库引擎和连接池: SQLAlchemy 支持多种数据库后端,并且为每种后端提供了对应的数据库引擎。 它还提供了连接池管理功能,以优化数据库连接的创建、使用和释放。 会话管理: SQLAlchemy 使用会话(Session)来管理对象的持久化状态。 会话提供了一个工作单元(unit of work)和身份映射(identity map)的概念,使得对象的状态管理和查询更加高效。 事件系统: SQLAlchemy 提供了一个事件系统,允许开发者在 ORM 的各个生命周期阶段插入自定义的钩子函数。 这使得开发者可以在对象加载、修改、删除等操作时执行额外的逻辑。
GeoPandas是一个开源的Python库,旨在简化地理空间数据的处理和分析。它结合了Pandas和Shapely的能力,为Python用户提供了一个强大而灵活的工具来处理地理空间数据。以下是关于GeoPandas的详细介绍: 一、GeoPandas的基本概念 1. 定义 GeoPandas是建立在Pandas和Shapely之上的一个Python库,用于处理和分析地理空间数据。 它扩展了Pandas的DataFrame和Series数据结构,允许在其中存储和操作地理空间几何图形。 2. 核心数据结构 GeoDataFrame:GeoPandas的核心数据结构,是Pandas DataFrame的扩展。它包含一个或多个列,其中至少一列是几何列(geometry column),用于存储地理空间几何图形(如点、线、多边形等)。 GeoSeries:GeoPandas中的另一个重要数据结构,类似于Pandas的Series,但用于存储几何图形序列。 二、GeoPandas的功能特性 1. 读取和写入多种地理空间数据格式 GeoPandas支持读取和写入多种常见的地理空间数据格式,包括Shapefile、GeoJSON、PostGIS、KML等。这使得用户可以轻松地从各种数据源中加载地理空间数据,并将处理后的数据保存为所需的格式。 2. 地理空间几何图形的创建、编辑和分析 GeoPandas允许用户创建、编辑和分析地理空间几何图形,包括点、线、多边形等。它提供了丰富的空间操作函数,如缓冲区分析、交集、并集、差集等,使得用户可以方便地进行地理空间数据分析。 3. 数据可视化 GeoPandas内置了数据可视化功能,可以绘制地理空间数据的地图。用户可以使用matplotlib等库来进一步定制地图的样式和布局。 4. 空间连接和空间索引 GeoPandas支持空间连接操作,可以将两个GeoDataFrame按照空间关系(如相交、包含等)进行连接。此外,它还支持空间索引,可以提高地理空间数据查询的效率。
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