dsu on tree(Educational Codeforces Round 2: E. Lomsat gelral)

 

题意:

一棵n个节点的树,每个节点都有一种颜色,如果颜色c在以u为根的子树中出现的次数大于等于一半,那么这个颜色就是u节点的支配色, 因为是大于等于,所以一个节点的支配色可能不止一种,求出每个节点的支配色编号和

 

思路:

一个无脑的暴力:

  • DFS整棵树,对于当前节点u,再DFS下以它为根的子树内所有的节点,相当于DFS套DFS
  • 复杂度O(n²),当整棵树为一条链时复杂度最高

优化一下上面的暴力:

  • 考虑DFS的过程,对于节点u的所有儿子v_1~v_x,一定是将前一个儿子的子树全部搜完,才开始搜下一个儿子
  • 当然,每当计算完以v_i为根的子树的答案后,一定要删除贡献,才能继续搜索下一个儿子v_{i+1}
  • 然而在搜完最后一个儿子v_x后,并不需要删除贡献!因为紧接着你要计算的是以u为根的子树的答案,v_x是被包在里面的

这样的话,当一条链的时候,原先是最坏情况,在优化之后就成了最好情况,O(n)就能解决

不过复杂度好像仍然是O(n²)?

 

……

其实到这里dsu on tree就已经讲完了

因为dsu on tree就是上述的暴力,唯一的区别是:对于当前节点u,最后一个搜索的儿子一定是它的重儿子

可以证明这样暴力的话复杂度是O(nlogn)的,当然这里就不证了,证明依赖于树链剖分

 

#include<stdio.h>
#include<string.h>
#include<algorithm>
#include<map>
#include<string>
#include<math.h>
#include<queue>
#include<stack>
#include<iostream>
using namespace std;
#define LL long long
#define mod 1000000007
vector<int> G[100005];
int col[100005], siz[100005], hson[100005], vis[100005], all[100005], bet;
LL ans[100005], sum;
void Sech1(int u, int p)
{
	int i, v;
	siz[u] = 1;
	for(i=0;i<G[u].size();i++)
	{
		v = G[u][i];
		if(v==p)
			continue;
		Sech1(v, u);
		siz[u] += siz[v];
		if(siz[v]>siz[hson[u]])
			hson[u] = v;
	}
}
void Gao(int u, int p)
{
	int i, v;
	all[col[u]] += 1;
	if(all[col[u]]>bet)
		bet = all[col[u]], sum = 0;
	if(all[col[u]]>=bet)
		sum += col[u];
	for(i=0;i<G[u].size();i++)
	{
		v = G[u][i];
		if(v==p || vis[v])
			continue;
		Gao(v, u);
	}
}
void Init(int u, int p)
{
	int i, v;
	sum = bet = 0;
	all[col[u]] = 0;
	for(i=0;i<G[u].size();i++)
	{
		v = G[u][i];
		if(v==p)
			continue;
		Init(v, u);
	}
}
void Sech2(int u, int p)
{
	int i, v;
	for(i=0;i<G[u].size();i++)
	{
		v = G[u][i];
		if(v==p || hson[u]==v)
			continue;
		Sech2(v, u);
		Init(v, u);
	}
	if(hson[u])
		Sech2(hson[u], u), vis[hson[u]] = 1;
	Gao(u, p), vis[hson[u]] = 0;
	ans[u] = sum;
}
int main(void)
{
	int x, y, n, i;
	scanf("%d", &n);
	for(i=1;i<=n;i++)
		scanf("%d", &col[i]);
	for(i=1;i<=n-1;i++)
	{
		scanf("%d%d", &x, &y);
		G[x].push_back(y);
		G[y].push_back(x);
	}
	Sech1(1, 0);
	Sech2(1, 0);
	for(i=1;i<=n;i++)
		printf("%lld ", ans[i]);
	puts("");
	return 0;
}

 

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)**:这种网络能够处理序列数据,如时间序列或自然语言,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,非常适合复杂的序列预测任务。 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