bzoj2809 [Apio2012]dispatching

4 篇文章 0 订阅
3 篇文章 0 订阅

传送门

忍者的关系是树形结构,所以一个节点只会对其祖先造成影响,所以我们可以在dfs的时候进行维护。
满意度的定义是派遣的忍者总数乘管理者的领导力水平,其中领导力水平就是我们dfs到的点的一个属性,所以我们只需要维护所能得到的最大忍者总数就好了。由于派遣忍者需要费用,所以我们可以贪心地在费用超出预算的时候扔掉费用最大的忍者,这个可以用堆解决;但是对于dfs到的节点,我们要合并其所有儿子的堆,所以要使用可并堆(左偏树或者斜堆等等)维护。
注意累加费用的时候可能会爆int,所以要将相关的改成long long。我的1A就这么没了桑心

CODE:

#include<cstdio>
#include<iostream>
using namespace std;
typedef long long ll;
const int N=1e6+10;
struct node
{
    int dis,id,size;
    ll num,cost;
    node *ch[2];
}pool[N],*t[N],*null;
struct edge
{
    int nxt,to;
}a[N];
int head[N],lv[N];
int n,x,tot,num,root;
ll m,ans,y;
inline void readint(int &n)
{
    n=0;char c=getchar();
    while(c<'0'||c>'9') c=getchar();
    while(c>='0'&&c<='9') n=n*10+c-48,c=getchar();
}
inline void readll(ll &n)
{
    n=0;char c=getchar();
    while(c<'0'||c>'9') c=getchar();
    while(c>='0'&&c<='9') n=n*10+c-48,c=getchar();
}
inline ll max(const ll &a,const ll &b){return a>b?a:b;}
inline void add(int x,int y)
{
    a[++num].nxt=head[x],a[num].to=y,head[x]=num;
}
inline void getnew(ll cost,int id)
{
    node *now=pool+ ++tot;
    now->ch[0]=now->ch[1]=null;
    now->num=now->cost=cost,now->id=id;
    now->dis=now->size=1;
    t[id]=now;
}
node *merge(node *x,node *y)
{
    if(x==null) return y;
    if(y==null) return x;
    if(x->num<y->num||(x->num==y->num&&x->id>y->id)) swap(x,y);
    x->ch[1]=merge(x->ch[1],y);
    if(x->ch[0]->dis<x->ch[1]->dis) swap(x->ch[0],x->ch[1]);
    x->dis=x->ch[1]->dis+1;
    x->cost=x->ch[0]->cost+x->ch[1]->cost+x->num;
    x->size=x->ch[0]->size+x->ch[1]->size+1;
    return x;
}
node *dfs(int now)
{
    node *root=t[now];
    for(int i=head[now];i;i=a[i].nxt)
      root=merge(root,dfs(a[i].to));
    while(root->cost>m) root=merge(root->ch[0],root->ch[1]);
    ans=max(ans,1ll*root->size*lv[now]);
    return root;
}
int main()
{
    null=pool;
    null->ch[0]=null->ch[1]=null;
    null->dis=-1;
    readint(n),readll(m);
    for(int i=1;i<=n;i++)
    {
        readint(x),readll(y),readint(lv[i]),getnew(y,i);
        if(x) add(x,i);
        else root=i;
    }
    dfs(root);
    printf("%lld",ans);
    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