[atcoder contest 010] F - Tree Game

[atcoder contest 010] F - Tree Game

Time limit : 2sec / Memory limit : 256MB

Score : 1600 points

Problem Statement

There is a tree with N vertices, numbered 1 through N. The i-th of the N−1 edges connects vertices ai and bi.

Currently, there are Ai stones placed on vertex i. Takahashi and Aoki will play a game using this tree.

First, Takahashi will select a vertex and place a piece on it. Then, starting from Takahashi, they will alternately perform the following operation:

  • Remove one stone from the vertex currently occupied by the piece.
  • Then, move the piece to a vertex that is adjacent to the currently occupied vertex.

The player who is left with no stone on the vertex occupied by the piece and thus cannot perform the operation, loses the game. Find all the vertices v such that Takahashi can place the piece on v at the beginning and win the game.

Constraints

  • 2≦N≦3000
  • 1≦ai,biN
  • 0≦Ai≦109
  • The given graph is a tree.

Input

The input is given from Standard Input in the following format:

N
A1 A2AN
a1 b1
:
aN−1 bN−1

Output

Print the indices of the vertices v such that Takahashi can place the piece on v at the beginning and win the game, in a line, in ascending order.


Sample Input 1

Copy
3
1 2 3
1 2
2 3

Sample Output 1

Copy
2

The following is one possible progress of the game when Takahashi places the piece on vertex 2:

  • Takahashi moves the piece to vertex 1. The number of the stones on each vertex is now: (1,1,3).
  • Aoki moves the piece to vertex 2. The number of the stones on each vertex is now: (0,1,3).
  • Takahashi moves the piece to vertex 1. The number of the stones on each vertex is now: (0,0,3).
  • Aoki cannot take a stone from the vertex, and thus Takahashi wins.

Sample Input 2

Copy
5
5 4 1 2 3
1 2
1 3
2 4
2 5

Sample Output 2

Copy
1 2

Sample Input 3

Copy
3
1 1 1
1 2
2 3

Sample Output 3

Copy
 
    

Note that the correct output may be an empty line.

好妙的博弈啊!让我这个不会博弈的蒟蒻都感觉挺有趣的。

先摘一段题意:

给出一棵N个节点的树,每个节点有Ai个石头

Takahashi先选择一个节点v放置一个棋子,然后Takahashi和Aoki轮流操作(Takahashi先)

.从棋子所在节点移走一个石头

.将棋子移到与当前节点相邻的节点

不能进行操作者输(当棋子所在节点没有石头的时候不能进行操作),求所有能够使Takahashi赢的节点v

好的,现在我们都清楚了题目的意思。

那么,我们可以来口糊一个结论——从权值小的节点走到权值大的节点相当于没有走。

对于先手来说,从权值相等的点走到权值相等的点都相当于没有走。

那么,我们只需要考虑从权值大的点走向权值小的点。

设win[u]表示先手在以u为根的子树中游戏是否有必胜策略。在u有必胜策略当且仅当win[u]=1。

则考虑它的子节点。

win[u]=1当u的众多子节点里,存在一个点v,使得a[u]>a[v]&&win[v]=0。

win[u]=0当u没有子节点,或者对于u的所有子节点,都有a[u]<=a[v]||(a[u]>a[v]&&win[v]=1)。

这样我们就可以对于每一个节点,以它为根,dfs一遍,就可以求出可行点了。

还有一个问题需要探究——

就是在确定win[]时,为什么不需要考虑父节点?

来证明一发:

对于当前树的根节点,无父节点,不需考虑父节点情况;

对于每一个非根节点x,它被访问到当且仅当a[fa[x]]>a[x],根据上面所述,x不会往fa[x]走。

所以只需要一直向下递归更新就行了。

code:

 1 #include<bits/stdc++.h>
 2 using namespace std;
 3 const int N=3005;
 4 int n,tot,a[N],lnk[N],son[N<<1],nxt[N<<1]; bool win[N];
 5 void add(int x,int y) {
 6     nxt[++tot]=lnk[x],lnk[x]=tot,son[tot]=y;
 7 }
 8 void dfs(int x,int p) {
 9     win[x]=0;
10     for (int j=lnk[x]; j; j=nxt[j]) {
11         if (son[j]==p) continue;
12         if (a[x]>a[son[j]]) {
13             dfs(son[j],x);
14             if (!win[son[j]]) win[x]=1;
15         }
16     }
17 }
18 int main() {
19     scanf("%d",&n);
20     for (int i=1; i<=n; i++) scanf("%d",&a[i]);
21     for (int i=1,x,y; i<n; i++) {
22         scanf("%d%d",&x,&y);
23         add(x,y),add(y,x);
24     }
25     for (int i=1; i<=n; i++) {
26         dfs(i,0);
27         if (win[i]) printf("%d ",i);
28     }
29     return 0;
30 }
View Code

 

upd:

事实上,上述过程相当于一个dp,事实上在dp里面可以记忆化。

这显然是正确的,因为如果扫一遍扫到了它,那它是胜态还是负态就是确定的了。

所以复杂度相当于是O(n)的。

 

转载于:https://www.cnblogs.com/whc200305/p/7778242.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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