CF 1709E XOR Tree(树上启发式合并)

文章详细介绍了如何解决Codeforces竞赛中的一个问题E,该问题涉及到树结构、异或和以及路径上的点的异或操作。作者提出了一个贪心策略,通过将节点值修改为大幂次以消除非法路径,并利用树的结构进行优化,避免了全量查询,实现了O(nlog^2n)的复杂度解决方案。
摘要由CSDN通过智能技术生成

题目链接:https://codeforces.com/contest/1709/problem/E

解题思路:

定义 sum(x,y)x→ y路径上的点的异或和,dx 为 x→ root路径上的点的异或和。对于一个点权树,sum(x,y)=dx ^ dy ^ vallca(x,y)

考虑修改一个点,可以将它改为一个很大的 2 为底数的幂,则经过此点的所有的不合法路径都会消失。

归纳地想,当一个点 x ,满足 任意 y (x除重儿子外的儿子节点)为根的子树内部已经经过除理而没有非法路径,此时如果存在 u→ v (u,v不在同一子树内) 非法,那么我们把 x 改了一定是最优的,即更改lca(u,v)。这就是本题的贪心策略。

由此,有一个暴力做法:dfs 从下往上依次检查每个点,如果这个点 x 满足: subtree_{son_x}(son_x没改) 互相之间存在非法路径,就要更改它。

但存在两个瓶颈:

  • 1. 如何快速统计子树间存在非法路径

  • 2. 如何减少重复枚举

    考虑树上启发式合并,保留重儿子 map 中的信息。需要注意,在处理 x 为根的子树时,由于重儿子的信息一直保留,无法先查询再插入,为了避免 1 中叙述的问题,不要查询整个重子树的点,因为对于两种非法边:

    • 1) 对于由其它子树到重子树的非法路径:这类路径在查询其他子树中点信息时已经被检查。
    • 2) 对于 x 到重子树的非法路径:只需要在没有添加轻子树的信息到 map 时 (map 中只存在重子树信息) ,判断是否存在一条由 x 到重子树内的非法路径即可,即在 map 中查询 d_{fa_x} 的桶内是否不为 0

  由此,复杂度 O(n\log^2 n)

 代码:

  1 #include<iostream>
  2 #include<algorithm>
  3 #include<cstring>
  4 #include<cmath>
  5 #include<vector>
  6 #include<set>
  7 #include<queue>
  8 #include<map>
  9 #define int long long
 10 #define el "\n"
 11 #define inf 0x3f3f3f3f
 12 using namespace std;
 13 using ll = long long;
 14 const int N = 200005;
 15 const int mod = 9901;
 16 
 17 int val[N];
 18 ll ti = pow(2, 31);
 19 
 20 vector<int> G[N];
 21 
 22 int dfn[N], ctr[N], tot, siz[N], rnk[N], son[N], d[N];
 23 int cnt[N], ans, flag[N];
 24 
 25 map<int, int> mp;
 26 
 27 bool check(int x, int lca) {
 28     if (mp[d[x]^val[lca]]) return false;
 29     else return true;
 30 }
 31 
 32 void add(int x) {
 33     mp[d[x]] ++;
 34 }
 35 
 36 void del(int x) {
 37     mp[d[x]] --;
 38 }
 39 
 40 void dfs1(int u, int p) {
 41     dfn[u] = ++tot;
 42     siz[u] = 1;
 43     rnk[tot] = u;
 44     d[u] = val[u] ^ d[p];
 45     for (auto v :G[u]) {
 46         if (v != p) {
 47             dfs1(v, u);
 48             siz[u] += siz[v];
 49             if (siz[son[u]] < siz[v]) son[u] = v;
 50         }
 51     }
 52     ctr[u] = tot;
 53 }
 54 
 55 void dfs2(int u, int p, bool keep) {
 56     for (auto v :G[u]) {
 57         if (v != p && v != son[u]) {
 58             dfs2(v, u, false);
 59         }
 60     }
 61     if (son[u]) dfs2(son[u], u, true);
 62     // int flag = 0;
 63     // add(u);
 64     for (auto v :G[u]) {
 65         if (v != p && v != son[u]) {
 66             for (int i = dfn[v]; i <= ctr[v]; i++) {
 67                 if (flag[rnk[i]]) {i = ctr[rnk[i]]; continue;}
 68                 if (!check(rnk[i], u)) flag[u] = 1;
 69             }
 70             for (int i = dfn[v]; i <= ctr[v]; i++) {
 71                 if (flag[rnk[i]]) {i = ctr[rnk[i]]; continue;}
 72                 add(rnk[i]);
 73             }
 74         }
 75     }
 76     if (!check(u, u)) flag[u] = 1;
 77     add(u);
 78     if (!keep || flag[u]) {
 79         for (int i = dfn[u]; i <= ctr[u]; i++) {
 80             // del(rnk[i]);
 81             mp.clear();
 82         }
 83     }
 84 }
 85 
 86 
 87 signed main() {
 88 
 89     ios::sync_with_stdio(false);
 90     cin.tie(0), cout.tie(0);
 91     int n;
 92     cin >> n;
 93     for (int i = 1; i <= n; i++) {
 94         cin >> val[i];
 95     }
 96     for (int i = 1; i < n; i++) {
 97         int u, v;
 98         cin >> u >> v;
 99         G[u].push_back(v);
100         G[v].push_back(u);
101     }
102     dfs1(1, 0);
103     dfs2(1, 0, 1);
104     // for (int i = 1; i <= n; i++) cout << val[i] << " ";
105     // cout << el;
106     for (int i = 1; i <= n; i++) if (flag[i]) ans ++;
107     cout << ans << el;
108 
109     return 0;
110 }
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