P2495 [SDOI2011]消耗战(虚树DP + 虚树建树模板)

题目大意:给出一棵带边权的树,有 m 次询问,每次询问给出 k 个点,问使得这 k 个点和 根节点不连通的最小代价。

n ≤ 250000 , m ≥ 1 , ∑ k ≤ 500000 n \leq 250000,m \geq 1,\sum k\leq 500000 n250000,m1,k500000

如果暴力 dp,复杂度是 O ( n ∗ m ) O(n * m) O(nm),难以承受。

建立虚树,维护一下每个点到根节点路径上的最小边权,在虚树上进行DP。


代码:

#include<bits/stdc++.h>
using namespace std;
#define pii pair<int,int>
#define fir first
#define sec second
const int maxn = 3e5 + 10;
const int inf = 0x3f3f3f3f;
typedef long long ll;
int n,m,k;
vector<pii> g[maxn];
vector<int> h[maxn];
ll val[maxn];
int p[maxn][20],w[maxn][20],dep[maxn],dfn[maxn],cnt;
int sta[maxn],top,a[maxn],is[maxn];
inline int read() {
    char c = getchar(); int x = 0, f = 1;
    while(c < '0' || c > '9') {if(c == '-') f = -1; c = getchar();}
    while(c >= '0' && c <= '9') x = x * 10 + c - '0', c = getchar();
    return x * f;
}
void prework(int u,int fa) {
	if(u == 1) val[u] = 1ll << 60,dep[u] = 1;
	dfn[u] = ++cnt;
	for(int i = 1; i <= 18; i++) {
		p[u][i] = p[p[u][i - 1]][i - 1];
		w[u][i] = min(w[p[u][i - 1]][i - 1],w[u][i - 1]);
	}
	for(auto it : g[u]) {
		if(it.fir == fa) continue;
		p[it.fir][0] = u;
		w[it.fir][0] = it.sec;
		val[it.fir] = min(val[u],1ll*it.sec);
		dep[it.fir] = dep[u] + 1;
		prework(it.fir,u);
	}
}
int cmp(int a,int b) {
	return dfn[a] < dfn[b];
}
int getlca(int x,int y) {
	if(dep[x] < dep[y]) swap(x,y);
	for(int i = 18; i >= 0; i--) {
		if(dep[p[x][i]] >= dep[y]) 
			x = p[x][i];
	}
	if(x == y) return x;
	for(int i = 18; i >= 0; i--) {
		if(p[x][i] != p[y][i]) {
			x = p[x][i];
			y = p[y][i];
		}
	}
	return p[x][0];
}
void insert(int x) {										//构建虚树 
	int lca = getlca(x,sta[top]);
	while(top > 1 && dfn[sta[top - 1]] >= dfn[lca]) {
		h[sta[top - 1]].push_back(sta[top]);
		h[sta[top]].push_back(sta[top - 1]);
		top--;
	}
	if(sta[top] != lca) {
		h[lca].push_back(sta[top]);
		h[sta[top]].push_back(lca);
		sta[top] = lca;
	}
	sta[++top] = x;
}
ll dfs(int u,int fa) {
	ll sum = 0;
	for(auto it : h[u]) {
		if(it == fa) continue;
		sum += dfs(it,u);
	}
	h[u].clear();
	if(is[u]) {
		is[u] = 0;
		return 1ll * val[u];
	}
	else return min(sum,1ll * val[u]);
}
int main() {
	n = read();
	for(int i = 1,u,v,w; i < n; i++) {
		u = read();v = read();w = read();
		g[u].push_back(pii(v,w));
		g[v].push_back(pii(u,w));
	}
	prework(1,0);
	m = read();
	while(m--) {
		top = 0;	
		k = read();
		for(int i = 1; i <= k; i++)
			a[i] = read(),is[a[i]] = 1;
		sort(a + 1,a + k + 1,cmp);
		
		sta[++top] = 1;
		for(int i = 1; i <= k; i++)
			insert(a[i]);
		for(int i = 1; i < top; i++) {
			h[sta[i]].push_back(sta[i + 1]);
			h[sta[i + 1]].push_back(sta[i]);
		}
		printf("%lld\n",dfs(1,0));
	}
	return 0;
}
【6层】一字型框架办公楼(含建筑结构图、计算书) 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。
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