BZOJ3611: [Heoi2014]大工程【虚树+树形DP】

2 篇文章 0 订阅
2 篇文章 0 订阅

3611: [Heoi2014]大工程

首先我们肯定会想到DP求这个答案,但是发现点数实在太多,然后建虚树就可以了。

#include<cmath>
#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;
const int MAXN=1e6+5;
typedef long long LL;
struct Edge{
	int tot,lnk[MAXN],nxt[MAXN<<1],son[MAXN<<1],W[MAXN<<1];
	void Add(int x,int y,int w){nxt[++tot]=lnk[x];W[tot]=w;lnk[x]=tot;son[tot]=y;}
}E,S;
#include<cctype>
int read(){
	int ret=0;char ch=getchar();bool f=1;
	for(;!isdigit(ch);ch=getchar()) f^=!(ch^'-');
	for(; isdigit(ch);ch=getchar()) ret=(ret<<1)+(ret<<3)+ch-48;
	return f?ret:-ret;
}
int n,m,q,tim,IN[MAXN],OUT[MAXN],Fa[MAXN][30],Dep[MAXN],a[MAXN],Stk[MAXN],Top;bool vis[MAXN],w[MAXN];
int F_MAX[MAXN],Ans_MAX,F_MIN[MAXN],Ans_MIN;LL F[MAXN],Siz[MAXN],Ans;
void DFS(int x,int fa){
	IN[x]=++tim;Fa[x][0]=fa,Dep[x]=Dep[fa]+1;
	for(int j=E.lnk[x];j;j=E.nxt[j]) if(E.son[j]!=fa) DFS(E.son[j],x);
	OUT[x]=++tim;
}
void INIT(){
	for(int j=1;(1<<j)<=n;j++)
	for(int i=1;i<=n;i++) Fa[i][j]=Fa[Fa[i][j-1]][j-1];
}
int LCA(int p,int q){
	if(Dep[p]<Dep[q]) swap(p,q);
	int Del=Dep[p]-Dep[q];
	for(int i=0;(1<<i)<=Del;i++) if((1<<i)&Del) p=Fa[p][i];
	if(p==q) return p;
	for(int i=log2(n);i>=0;i--)
	if(Fa[p][i]!=Fa[q][i]) p=Fa[p][i],q=Fa[q][i];
	return Fa[p][0];
}
bool cmp(int x,int y){return (x<0?OUT[-x]:IN[x])<(y<0?OUT[-y]:IN[y]);}
void DP(int x,int fa){
	if(w[x]) Siz[x]=1,F[x]=0,F_MAX[x]=0,F_MIN[x]=0;
	else Siz[x]=0,F[x]=0,F_MAX[x]=0,F_MIN[x]=1e9;
	LL Sum=0,Number=0;int MAX=0,MIN=1e9;
	for(int j=S.lnk[x];j;j=S.nxt[j])
	if(S.son[j]!=fa){
		DP(S.son[j],x);
		if(Number)
		Ans_MAX=max(F_MAX[S.son[j]]+MAX+S.W[j],Ans_MAX),
		Ans_MIN=min(F_MIN[S.son[j]]+MIN+S.W[j],Ans_MIN),
		Ans+=(F[S.son[j]]+Siz[S.son[j]]*S.W[j])*Number+Sum*Siz[S.son[j]];
		if(w[x])
		Ans+=F[S.son[j]]+S.W[j]*Siz[S.son[j]],
		Ans_MAX=max(F_MAX[S.son[j]]+S.W[j],Ans_MAX),
		Ans_MIN=min(F_MIN[S.son[j]]+S.W[j],Ans_MIN);
		Number+=Siz[S.son[j]],Sum+=F[S.son[j]]+Siz[S.son[j]]*S.W[j];MAX=max(F_MAX[S.son[j]]+S.W[j],MAX),MIN=min(F_MIN[S.son[j]]+S.W[j],MIN);
	}
	F[x]=Sum,F_MAX[x]=max(F_MAX[x],MAX),F_MIN[x]=min(F_MIN[x],MIN),Siz[x]+=Number;
}
int main(){
//	freopen("3611.in","r",stdin);
//	freopen("3611.out","w",stdout);
	n=read();
	for(int i=1,x,y;i<n;i++) x=read(),y=read(),E.Add(x,y,1),E.Add(y,x,1);
	q=read();DFS(1,0),INIT();
	while(q--){
		m=read();
		for(int i=1;i<=m;i++) a[i]=read(),vis[a[i]]=w[a[i]]=1;
		sort(a+1,a+1+m,cmp);
		for(int i=2;i<=m;i++){
			int fa=LCA(a[i],a[i-1]);
			if(!vis[fa]) vis[fa]=1,a[++m]=fa;
		}
		if(!vis[1]) vis[1]=1,a[++m]=1;
		for(int i=1;i<=m;i++) vis[a[i]]=0;//clear
		for(int i=1,END=m;i<=END;i++) a[++m]=-a[i];
		sort(a+1,a+1+m,cmp);
		for(int i=1;i<=m;i++)
		if(a[i]<0) Top--;else S.Add(Stk[Top],a[i],Dep[a[i]]-Dep[Stk[Top]]),S.Add(a[i],Stk[Top],Dep[a[i]]-Dep[Stk[Top]]),Stk[++Top]=a[i];
		Ans=0,Ans_MAX=0,Ans_MIN=1e9;
		DP(1,0);
		printf("%lld %d %d\n",Ans,Ans_MIN,Ans_MAX);
		for(int i=1;i<=m;i++) if(a[i]>0) w[a[i]]=0,S.lnk[a[i]]=0;S.tot=0;
	}
	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