P2664 树上游戏 点分治

  

 

 

树上点对问题很容易就想到点分治   

点分治已经用掉一个log了  那么我们的问题就转化为:

在 o(n) 时间内求出 以该根为lca的所有的点对的答案!

1、对于树上的一个i  如果i的颜色在i到根的链上是第一次出现 那么可以对树上其他的点j (不考虑特殊情况)产生贡献siz[i] (j与子树i的每一个点都产生贡献1)

2、dfs求出sum(整棵树所有的贡献 和color[i] 这个颜色所有的贡献) 

3、显然  根的答案为  ans[root]+=sum 也就是一端在根上的链 

4、遍历子树 统计答案  

  但是有一些不是树上最短路径的贡献不能被统计进去  所以要在该子树统计答案的时候  删除该子树的影响  然后再回溯回去

5、设X=sigma color[j 到根上(不包括根)的所有颜色] 由于这些颜色已经出现过,我们不能在该子树外计算其贡献)

  设num为j到根上(不包括根)的颜色数

  设Y为size[root]-size[该子树](即所有其他子树+根的点数)

  则ans[j]+=sum-X+num*Y;

 

这样一道黑题就大功告成啦

#include<bits/stdc++.h>
using namespace std;
#define rep(i,a,b) for(int i=(a);i<=(b);i++)
#define repp(i,a,b) for(int i=(a);i>=(b);--i)
#define ll long long
#define see(x) (cerr<<(#x)<<'='<<(x)<<endl)
#define inf 0x3f3f3f3f
#define CLR(A,v)  memset(A,v,sizeof A)
//
const int N=2e6+10;
int head[N],pos,n,m,v[N],siz[N],maxson[N],root,color[N],cnt[N],siz_tree,vis[N],a,b;
ll sum,ans[N],much,num;
struct Edge{int to,nex;}edge[N<<1];
void add(int a,int b){edge[++pos]=(Edge){b,head[a]};head[a]=pos;}
void getroot(int x,int fa)
{
    siz[x]=1;maxson[x]=0;
    for(int i=head[x];i;i=edge[i].nex)
    {
        int v=edge[i].to;
        if(vis[v]||v==fa)continue;
        getroot(v,x);siz[x]+=siz[v];
        maxson[x]=max(maxson[x],siz[v]);
    }
    maxson[x]=max(maxson[x],siz_tree-siz[x]);
    if(maxson[x]<maxson[root])root=x;
}
void dfs1(int x,int fa)
{
    cnt[v[x]]++;siz[x]=1;
    for(int i=head[x];i;i=edge[i].nex)
    {
        int v=edge[i].to;
        if(v==fa||vis[v])continue;
        dfs1(v,x);siz[x]+=siz[v];
    }
    if(cnt[v[x]]==1)
    {
        sum+=siz[x];
        color[v[x]]+=siz[x];
    }
    cnt[v[x]]--;
}
void dfs2(int x,int fa)
{
    cnt[v[x]]++;
    if(cnt[v[x]]==1)sum-=color[v[x]],num++;
    ans[x]+=sum+num*much;
    for(int i=head[x];i;i=edge[i].nex)
    {
        int v=edge[i].to;
        if(vis[v]||v==fa)continue;
        dfs2(v,x);
    }
    if(cnt[v[x]]==1)sum+=color[v[x]],num--;
    cnt[v[x]]--;
}
void change(int x,int fa,int value)
{
    cnt[v[x]]++;
    for(int i=head[x];i;i=edge[i].nex)
    {
        int v=edge[i].to;
        if(v==fa||vis[v])continue;
        change(v,x,value);
    }
    if(cnt[v[x]]==1)
    {
        sum+=1ll*value*siz[x];
        color[v[x]]+=1ll*value*siz[x];
    }
    cnt[v[x]]--;
}
void clear(int x,int fa)
{
    cnt[v[x]]=color[v[x]]=0;
    for(int i=head[x];i;i=edge[i].nex)
    {
        int v=edge[i].to;
        if(v==fa||vis[v])continue;
        clear(v,x);
    }
}
void calc(int x)
{
    dfs1(x,0);
    ans[x]+=sum;
    for(int i=head[x];i;i=edge[i].nex)
    {
        int to=edge[i].to;
        if(vis[to])continue;
        cnt[v[x]]++;
        sum-=siz[to];
        color[v[x]]-=siz[to];
        change(to,x,-1);
        much=siz[x]-siz[to];
        cnt[v[x]]--;
        dfs2(to,x);

        cnt[v[x]]++;
        sum+=siz[to];
        color[v[x]]+=siz[to];
        change(to,x,1);//回溯
        cnt[v[x]]--;
    }
    sum=num=0;
    clear(x,0);
}
void solve(int x)
{
    if(vis[x])return ;vis[x]=1;
    calc(x);
    for(int i=head[x];i;i=edge[i].nex)
    {
        int v=edge[i].to;
        if(vis[v])continue;
        root=0;
        siz_tree=siz[v];
        getroot(v,x);
        solve(root);
    }
}
int main()
{
    scanf("%d",&n);
    rep(i,1,n)scanf("%d",&v[i]);
    rep(i,1,n-1)scanf("%d%d",&a,&b),add(a,b),add(b,a);
    siz_tree=maxson[0]=n;
    root=0;
    getroot(1,0);
    solve(root);
    rep(i,1,n)printf("%lld\n",ans[i]);
    return 0;
}
View Code

 

转载于:https://www.cnblogs.com/bxd123/p/11552611.html

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