UOJ #7 【NOI2014】 购票

题目链接:购票

  这道题我调了好久啊……主要还是因为这种用\(CDQ\)分治来搞斜率优化的题已经很久没写过了……上一次要追溯到去年暑假去了……

  看下面这些东西之前你需要先自己推出斜率优化的式子……

  这道题我们先来考虑一下如果不是树,在序列上怎么做。用\(CDQ\)分治的思想,先递归处理左半区间,然后用左半区间的值来更新右半区间,最后递归处理右半区间。这样的话,每次递归处理到一个区间,我们只需要考虑这个区间左边的点对右边的点的影响,对左边的点维护一个凸包,每次在凸包上二分最优解即可。

  考虑如何把这个拓展到树上。我们树分治的时候每次是找了一个重心出来,然后递归处理剩下的部分。因此,我们在做这道题的时候,只需先递归处理剩下的子树中重心父亲所在的块,然后更新其他点的答案,最后递归其他联通块即可。注意重心需要单独考虑一下。

  还有一个细节:先把所有祖先拿出来构凸包,然后每次在上面二分是不对的。因为这样可能会出现这种情况:对于一个点\(x\),它的最优决策是\(u\),在\(fa_u\)加入了凸包后点\(u\)会被从凸包中踢掉。但是如果\(x\)只能到\(u\)而到不了\(fa_u\),就挂掉了……因为这里我调了好久……所以我们需要把点抠出来按能够到达的最小深度排序,然后把祖先一个一个往凸包里面加……

  不知道为什么我的程序好慢……

  下面贴代码:

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#include<cmath>
#define File(s) freopen(s".in","r",stdin),freopen(s".out","w",stdout)
#define maxn 200010
#define INF (1ll<<60)

using namespace std;
typedef long long llg;

int n,fa[maxn],p[maxn],T;
int head[maxn],next[maxn<<1],to[maxn<<1],tt;
llg d[maxn],f[maxn],q[maxn],L[maxn];

struct point{
	llg x,y;
	bool operator < (const point &h)const{return x>h.x;}
	point(llg a=0,llg b=0):x(a),y(b){}
}s[maxn];

struct Convex{//维护下凸包
	point s[maxn];int ls;
	double R(point a,point b){return (double)(b.y-a.y)/(b.x-a.x);}
	void push(point x){
		while(ls>1 && R(s[ls-1],s[ls])<=R(s[ls],x)) ls--;
		s[++ls]=x;
	}
	llg find(int x){//二分斜率
		if(!ls) return INF;
		int l=1,r=ls,mid;
		while(l<r){
			mid=(l+r)>>1;
			if(R(s[mid],s[mid+1])<x) r=mid;
			else l=mid+1;
		}
		return s[l].y-1ll*x*s[l].x;
	}
}tu;

void link(int x,int y){
	to[++tt]=y;next[tt]=head[x];head[x]=tt;
	to[++tt]=x;next[tt]=head[y];head[y]=tt;
}

int a[maxn],la,val[maxn],siz[maxn],dax[maxn];
bool vis[maxn];

void dfs(int u){
	vis[u]=1; a[++la]=u; siz[u]=1; dax[u]=0;
	for(int i=head[u],v;v=to[i],i;i=next[i])
		if(!vis[v]) dfs(v),siz[u]+=siz[v],dax[u]=max(dax[u],siz[v]);
	vis[u]=0;
}

void solve(int ff,int fr){
	la=0; dfs(ff); int k=a[1],ls=0;
	for(int i=1,u;u=a[i],i<=la;i++){
		val[u]=max(dax[u],siz[ff]-siz[u]);
		if(val[u]<val[k]) k=u;
	}
	
	vis[k]=1; if(!vis[fa[k]]) solve(fa[k],fr);//先处理父亲

	a[la=1]=k;
	for(int i=head[k],v;v=to[i],i;i=next[i])
		if(!vis[v] && v!=fa[k]) dfs(v);
	for(int i=1,u;u=a[i],i<=la;i++) s[i]=point(d[u]-L[u],u);
	ls=la; sort(s+1,s+ls+1); la=0;//把所有需要被更新的点抠出来排序
	
	for(int u=fa[k];!vis[u];u=fa[u]) a[++la]=u;
	if(fr) a[++la]=fr; tu.ls=0;//上一层的重心没有在上一层考虑,这一层要加进来

	for(int i=1,j=1,u;u=s[i].y,i<=ls;i++){//更新
		while(j<=la && d[a[j]]>=s[i].x) tu.push(point(d[a[j]],f[a[j]])),j++;
		f[u]=min(f[u],tu.find(p[u])+1ll*p[u]*d[u]+q[u]);
	}
	
	for(int i=head[k],v;v=to[i],i;i=next[i])
		if(!vis[v] && v!=fa[k]) solve(v,k);
	vis[k]=0;
}

int main(){
	File("a");
	scanf("%d %d",&n,&T);
	for(int i=2;i<=n;i++){
		scanf("%d %lld",&fa[i],&d[i]);
		scanf("%d %lld %lld",&p[i],&q[i],&L[i]);
		d[i]+=d[fa[i]]; link(i,fa[i]); f[i]=INF;
	}
	vis[0]=1; solve(1,0);
	for(int i=2;i<=n;i++) printf("%lld\n",f[i]);
	return 0;
}

   BZOJ提交链接:BZOJ 3672 购票

转载于:https://www.cnblogs.com/lcf-2000/p/6378316.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
健身国际俱乐部系统是一种专为健身俱乐部设计的管理软件,它通过集成多种功能来提高俱乐部的运营效率和服务质量。这类系统通常包含以下几个核心模块: 1. **会员管理**:系统能够记录会员的基本信息、会籍状态、健身历史和偏好,以及会员卡的使用情况。通过会员管理,俱乐部可以更好地了解会员需求,提供个性化服务,并提高会员满意度和忠诚度。 2. **课程预约**:会员可以通过系统预约健身课程,系统会提供课程时间、教练、地点等详细信息,并允许会员根据个人时间表进行预约。这有助于俱乐部合理安排课程,避免资源浪费。 3. **教练管理**:系统可以管理教练的个人信息、课程安排、会员反馈等,帮助俱乐部评估教练表现,优化教练团队。 4. **财务管理**:包括会员卡销售、课程费用、私教费用等财务活动的记录和管理,确保俱乐部的财务透明度和准确性。 5. **库存管理**:对于俱乐部内的商品销售,如健身装备、营养补充品等,系统能够进行库存管理,包括进货、销售、库存盘点等。 6. **数据分析**:系统能够收集和分析会员活动数据,为俱乐部提供业务洞察,帮助俱乐部制定更有效的营销策略和业务决策。 7. **在线互动**:一些系统还提供在线平台,让会员可以查看课程、预约私教、参与社区讨论等,增强会员之间的互动和俱乐部的社区感。 8. **移动应用**:随着移动设备的普及,一些健身俱乐部系统还提供移动应用,方便会员随时随地管理自己的健身计划。 9. **安全性**:系统会确保所有会员信息的安全,采取适当的数据加密和安全措施,保护会员隐私。 10. **可扩展性**:随着俱乐部业务的扩展,系统应该能够轻松添加新的功能和服务,以适应不断变化的市场需求。 健身国际俱乐部系统的选择和实施,需要考虑俱乐部的具体需求、预算和技术能力,以确保系统能够有效地支持俱乐部的运营和发展。通过这些系统的实施,健身俱乐部能够提供更加专业和高效的服务,吸引和保留更多的会员,从而在竞争激烈的
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