Round #207 (Div. 2)C、Knight Tournament

博主在一场编程竞赛中遇到区间覆盖问题,尝试使用线段树解决,但因处理晋级选手的逻辑困扰,导致无法完成。后来意识到只需将区间分为两部分处理。然而,由于数组开小的低级错误,导致一直WA。经过一晚调试和多次检查后发现问题所在,反思不熟悉线段树导致过度检查代码而非重新审题。
摘要由CSDN通过智能技术生成

1、我发现自己就是一弱智。。。

2、首先,这道题线段树可以做(当然很多人用set,我不会),很明显是区间覆盖,但我纠结的是怎么特殊处理那个晋级的人,比赛时写了一小时,也没写出来,后来比赛完了一想,只要把区间分成左右两段分别赋值不就行了么。。。

3、写啊写,可是总是WA,我觉得思路没有任何问题,调啊调,调了一晚上,没调出来,郁闷地睡了,第二天在检查N(N大于等于20)遍程序后,发现是数组开小了!!!(题目说是3*10的五次方,我愣是没看到那个3啊,开了个100010的数组,难怪一遇到大数据就出错啊,小数据就一点问题都没啊。。。OTZ)

4、究其原因,是因为写线段树不熟练,如果我很熟练,对自己的程序充满自信的话,就不会一遍又一遍地检查程序有什么错,而是直接重新读题了。

 

#include<cstdio>
#include<cstring>
using namespace std;
int n,m,setv[1200010],b[300010],y1,y2,x,y,v,minn,num;
void update(int o,int L,int R){
    int lc=o*2,rc=o*2+1;
    if(y1<=L&&y2>=R){
      if(setv[o]==-1)
         setv[o]=v;
    }else{
    
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
NSGA-II(Non-dominated Sorting Genetic Algorithm II)是一种多目标优化算法,可以用于解决多目标选址问题。以下是一个基本的NSGA-II算法实现,可以用于解决生鲜农产品物流配送中心选址模型问题。 ```python import random # 定义问题的目标函数 def objective_function(x): # x是候选解的向量,表示物流配送中心的位置 # 这里假设有两个目标函数:距离和成本 # 距离越小越好,成本越小越好 distance = 0 cost = 0 # 计算距离和成本 # ... # 返回一个元组,表示两个目标函数的值 return (distance, cost) # 定义候选解的类 class Candidate: def __init__(self, x=None): if x is None: # 如果没有传入x,则随机生成一个 x = [random.uniform(0, 1), random.uniform(0, 1)] self.x = x self.objective_values = objective_function(x) # 定义NSGA-II算法类 class NSGA2: def __init__(self, num_candidates=100, num_generations=100): self.num_candidates = num_candidates self.num_generations = num_generations self.candidates = [] self.fronts = [] # 生成初始候选解 for i in range(num_candidates): self.candidates.append(Candidate()) # 非支配排序函数 def non_dominated_sort(self): # ... # 计算拥挤距离函数 def crowding_distance(self, front): # ... # 选择函数(锦标赛选择) def tournament_selection(self, candidates, num_parents): # ... # 交叉函数(模拟二进制交叉) def simulated_binary_crossover(self, parent1, parent2): # ... # 变异函数(多项式变异) def polynomial_mutation(self, candidate): # ... # 进化函数 def evolve(self): # 非支配排序 self.non_dominated_sort() # 计算拥挤距离 for i in range(len(self.fronts)): self.crowding_distance(self.fronts[i]) # 选择新的父代 new_parents = [] for i in range(self.num_candidates//2): parent1, parent2 = self.tournament_selection(self.fronts, 2) new_parents.append(parent1) new_parents.append(parent2) # 交叉和变异 new_candidates = [] for i in range(len(new_parents)//2): parent1 = new_parents[i*2] parent2 = new_parents[i*2+1] child1, child2 = self.simulated_binary_crossover(parent1, parent2) child1 = self.polynomial_mutation(child1) child2 = self.polynomial_mutation(child2) new_candidates.append(child1) new_candidates.append(child2) # 更新候选解 self.candidates = new_candidates # 运行NSGA-II算法 def run(self): for i in range(self.num_generations): self.evolve() # 返回最优解的集合 return self.fronts[0] ``` 上述代码中,NSGA2类中的non_dominated_sort、crowding_distance、tournament_selection、simulated_binary_crossover和polynomial_mutation函数分别实现了NSGA-II算法中的非支配排序、拥挤距离计算、选择、交叉和变异操作。在NSGA2类的run函数中,我们运行了num_generations次进化操作,最终返回第一前沿中的最优解集合。你可以根据具体的问题进行相应的修改和调整。
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