完全k叉树

题目描述

 

欢迎报考JWJU!这里有丰富的社团活动,比如为梦想奋斗的ACM集训队,经常组织飞行棋的桌游协会,喜欢“唱,跳,rap,篮球”的篮球协会,更奇特的是——让人耳目一新的攀树协会。顾名思义,攀树协会会经常组织大家攀爬一些树,比如李超树,左偏树,带花树,智慧树等等。经过社团组织的一番培训后,同学们已经学会了如何在树上的相邻结点中来回爬动。

不过上述的树太没意思了,RegenFallenRegenFallen同学向往更刺激的挑战,今天他要挑战的项目是一棵完全 kk 叉树。

完全kk叉树的定义:一个 mm 层的完全 kk 叉树的前 m-1m−1 层均为满 kk 叉树,且第 mm 层的结点全部聚集在树的左侧。

因为RegenFallenRegenFallen是一个持久的男人,所以他希望一次能爬尽量长的路径(不走重复的点),所以他想让你告诉他,假如现在有一棵 nn 个点的完全 kk 叉树,每条边的长度均为 11,从树上的某一点到另一点的最大距离是多少。

输入描述

 

第一行给出一个 tt (t≤10^{4}t≤104) 代表测试用例的组数。

接下来t行,每行包含两个正整数 k, nk,n (1 \le k \le 10^9, 2 \le n \le 10^91≤k≤109,2≤n≤109) 意义如题面所示。

输出描述

 

对于每个测试用例,输出一行一个正整数表示答案。

样例输入 1 

1
2 3

样例输出 1

2

提示

样例给出了一个3个点的完全二叉树,即第一层有一个点,第二层有两个点。那么可以选择第二层的两个点来计算距离,其距离为2,即为树上的最大距离。、

 

若想找到最长的一条路径,不妨找出两个离根最远,且没有公共路径的点。假设树共有 m 层,那么左下角的点到根的距离是 m-1,且这个点一定是一个足够远的点。如果最后一层的点的数量大于倒数第二层的点数,则可以取最后一层的最右边的点作为计算最大距离的点,它到根的距离为 m-1。否则取倒数第二层最右边的点作为计算最大离的点,它到根的距离为 m-2。(取点方法不唯一)由于没有公共路径,所以直接把这两个点到根的距离相加即可。标程的这种写法中还会有一种情况是最后一层点数为 0,则左下角和右下角的点到根的距离都为 m-2。(当然你可以采取其他方法免除这种情况)注意 k=1 的 text,此时应当输出 n-1。(如果不特判,在计算树的层数时可能会超时)

AC代码:

#include<cstdio>
#include<cstring>
#include<iostream>
#include<algorithm>
#include<vector>
#include<stdlib.h>
#include<stack>
#include<vector>
#include<math.h>
const int INF = 0x3f3f3f3f;
using namespace std;
typedef long long ll;
typedef double ld;
int i,j,l;
ll n,m,k;
ll cnt;
ll now;
int t;
int main()
{
    cin>>t;
    while(t--)
    {
        cnt=0;
        now=1;
        scanf("%d %d",&k,&n);
        if(k==1)
        {
            cout<<n-1<<endl;
            continue;
        }
        while(n>0)
        {
            n-=now;
            now*=k;
            cnt++;
            if(n<now)
                break;
        }
        //cout<<cnt<<" "<<now<<endl;
        if(n==0)
            cout<<2*cnt-2<<endl;
        else if(n<=now/k)
            cout<<cnt*2-1<<endl;
        else
            cout<<cnt*2<<endl;
    }
    return 0;
}

 

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
K折交验证是一种常用的模型评估方法,用于评估机器学习模型的性能。在随机森林中,K折交验证可以用来评估模型的泛化能力。K折交验证将数据集分成K个子集,每次将其中一个子集作为验证集,其余K-1个子集作为训练集,然后重复K次,每次选择不同的验证集和训练集。最后,将K次的评估结果取平均值作为模型的性能指标。 随机森林有一个重要的优点是,它可以在内部进行评估,也就是在生成过程中就可以对误差建立一个无偏估计。这个无偏估计被称为oob误分率,它是随机森林泛化误差的一个无偏估计。与需要大量计算的K折交验证相比,oob误分率的计算更加高效。\[2\] 在随机森林中,为了保证每棵的训练样本之间有交集,采用了有放回地抽样的方式。如果不是有放回地抽样,每棵的训练样本都是不同的,这样每棵训练出来都是有很大差异的。而随机森林的最终分类结果取决于多棵的投票表决,这种表决应该是"求同"的,因此使用完全不同的训练集来训练每棵对最终分类结果是没有帮助的。有放回地抽样可以保证每棵的训练样本之间有交集,从而提高随机森林的性能。\[3\] 综上所述,K折交验证和有放回地抽样是随机森林中常用的技术,用于评估模型的性能和提高模型的准确性。 #### 引用[.reference_title] - *1* [sklearn K折(KFold)交验证案例,展开细节代码与cross_validate简写](https://blog.csdn.net/weixin_35757704/article/details/118406255)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [随机森林](https://blog.csdn.net/weixin_40848065/article/details/87825538)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
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