【倍增】【堆】排队


题目描述



wHZOe4W3dBylgAAAABJRU5ErkJggg==

wEg4EaiSlIXKgAAAABJRU5ErkJggg==

SJN5AnMayYCmVvrBI67FrhgBDgCHwOCBgxXEc9zh

Solution

虽然这道题一次A掉。但是这道题的做题思路非常有帮助

首先考虑这个题的第一个问:

首先第一点:知道当前这颗树中那些房间有没有人的情况下,每个点进入到最终的目标是确定的,进而可以发现,每一个点对应了一个优先级,每个点必须进入当先优先级最高而且房间为空的点。

这里会有两个问题:

怎么寻找每个点的优先级:

答案很明显DFS:每次对于每个点的子节点,先DFS子节点中最小的点,最后递归返回的点的顺序即使优先级从大到小的顺序。

那么如何寻找子节点中最小的点呢:把每个节点的子节点预处理排序(或者直接用优先队列保存)即可。

怎么查找当前优先级最高的点:堆(优先队列)

首先把所有的节点入堆,堆中保存的是节点的优先级,这样堆顶就理所当然保存的是当前优先级最高的点。


第一问:

初始状态堆中保存了所有的节点,说明所有的节点都可以进入。

若进入n个人:只需要依次弹出n个堆顶即可。


第二问:

对于使一个节点n变成空:

如果该节点的人被移走,那么所有这个点以上的点都会依次向下走:最终的结果是,n点仍然有人,即不在堆中。因为上面的人会走下来占领它。然后距离n点最远的有人的房间m由于会向下走一个点。m点变成空,即m进入优先队列。

这里用倍增来寻找m点,输出跳跃的距离ans+=(1<<i) 即可


问题得到解决


最后请注意为什么会想到堆。

利用堆的目的是寻找当前优先级最高的点:也许最开始会思考,优先级最高的点就是当前所有的点里面值最大的点,为什么用堆?

原因:第二问中m点由于变成空节点,会进入优先队列。那么由于不知道b在当前集合中排第几位,所以用优先队列快速longn时间加入队列 否则O(n)枚举点很显然是超时的。


总结:堆并不是特别复杂的数据结构,其结构特点是让堆中的节点保持有序,这样可以快速插入数。


贴一下代码~

#include<iostream>
#include<cstdio>
#include<cstring>
#include<cmath>
#include<algorithm>
#include<queue>
#include<vector>
#define M (100005)
using namespace std;
priority_queue <int> q;
priority_queue <int> tree[M];
int n,t,a,b,ord[M],tot=0,vis[M],F[20][M],num[M],exist[M],ans;
void Find_Order(int s)
{
	while(!tree[s].empty())
	{
		int i=-tree[s].top();tree[s].pop();
		if(!vis[i]){
			F[0][i]=s;
			for (int k=1;k<=19;k++)
				F[k][i]=F[k-1][F[k-1][i]];
			vis[i]=1;
			Find_Order(i);
		}
	
	}
	ord[s]=++tot;      
	num[tot]=s;
}
int main()
{
	//freopen("queue.in","r",stdin);
	scanf("%d%d",&n,&t);
	for (int i=1;i<=n-1;i++){
		scanf("%d%d",&a,&b);
			tree[a].push(-b);tree[b].push(-a);
	};
	vis[1]=1;Find_Order(1);
	for (int i=1;i<=n;i++){
		q.push(-i);
		exist[num[i]]=1;
   	}
	while(t--){
		scanf("%d%d",&a,&b);
			if(a==1){
				while(b--) {
					int topp=-q.top();
					ans=num[topp];
					q.pop();
					exist[num[topp]]=0;
				}
				printf("%d\n",ans);
			}
			if(a==2){
				ans=0;
				for (int i=19;i>=0;i--){
					if(!exist[F[i][b]]&&F[i][b]!=0){
						ans+=(1<<i);
						b=F[i][b];
					}
				}
				q.push(-ord[b]); exist[num[ord[b]]]=1;
				printf("%d\n",ans);
			}
	}
	
}



1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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