P1314 聪明的质监员

原题连接  https://www.luogu.org/problemnew/show/P1314

首先题号好评QwQ~ 1314

乍一看此题,发现题目好像有点难理解,先带大家理解一下吧:

意思就是:我们要在第 i 个区间 [ L, Ri ] 里找到所有的 j,使得 wj >= W,求出这些 j 的价值总和及符合条件的 j 的个数,那么这个区间的贡献就是这个价值总和乘上 j 的个数,然后我们要算所有区间的贡献的总和 Y ,最后输出 Y - S 的绝对值的最小值,其中 W 可以自己定 。

既然 W 可以自己定,那么一个很显然的思路就是我们二分枚举 W,看看哪个 W 最合适不就好啦?

 

枚举的上下界

我们再回头看那个公式,显然若 W 变大,则 Y 变小(符合条件的 j 的数量少了); 若 W 变小,则 Y 变大;

那么如果 W 一直变小,直到所有矿石的 wi 都大于我们枚举的这个 W 的话,那么不就是所有的矿石都被我们给选上了?这时候就会产生最大的 Y;

同理,当 W 比所有矿石的 wi 都大时,所有的矿石我们都没选,这时候就会产生最小的 Y ;

所以我们便得出来上下界:

下界:最小的 wi - 1 ;

上界:最大的 wi + 2,这里为什么是 + 2 呢?因为 + 1就是所有矿石都不选的情况,我们枚举的时候也要考虑到这种情况。所以再 + 1 就囊括了所有的情况了;

    for(int i=1;i<=n;i++)
    {
        a[i].w=read();
        a[i].v=read();
        if(a[i].w>maxn_w) maxn_w=a[i].w;       //找最大重量 
        if(a[i].w<minx_w) minx_w=a[i].w;       //找最小重量 
    }
    for(int i=1;i<=m;i++)                      //m个区间 
    {
        nl[i]=read();
        nr[i]=read();
    }
    long long left=minx_w-1;                   //找上下界,这样就能包含所有情况哦 
    long long right=maxn_w+2;

 

二分过程

当我们枚举的 W 求出的 Y 过大时,我们应该增大 W 来使得 Y 变小来尽量接近 S;当我们枚举的 W 求出的 Y 过小时,我们应该减小 W 来使得 Y 变大来尽量接近 S;然后我们在求过过程中对 | Y - S | 一直取min 就行了。

 

求前缀和

最后一部分就是求每个区间的贡献,显然我们要求出每个区间符合条件的 j 的个数和价值总和,如果我们对于每个区间我们都要 O(n)的枚举一遍的话, 总的时间复杂度应该是 O(nm log n),log n 是二分次数。对于 2e6 的数据,显然炸的妥妥的,那怎么办呢?

我们可以用前缀和鸭,对于我们枚举的每个 W ,我们都先预处理出 价值总和 ,符合条件的个数 这两个前缀和,然后每个区间我们 O(1)算出其贡献值,这样的时间复杂度应该是 O((n+m) log n),比较保险~ 

对于上面的时间复杂度的估算,本蒟蒻很可能算错了,若发现错误请大佬们指出,感激不尽QwQ~

那么怎么求前缀和?

我们设: pre_num [ i ] 为第 1 个矿石到第 i 个矿石中符合条件的矿石数(条件:w>= W),pre_v [ i ] 为第 1 个矿石到第 i 个矿石中所有符合条件的矿石的价值总和。

那么我们可以得出递推方程(状态转移方程):

    for(int i=1;i<=n;i++)
    {
        if(a[i].w>=W)                            //如果第i个矿石满足条件 
        {
            pre_num[i]=pre_num[i-1]+1;           //在上一个的基础上加上自己本身 
            pre_v[i]=pre_v[i-1]+a[i].v;
        }
        else                                     //不满足条件的话 
        {
            pre_num[i]=pre_num[i-1];             //继承上一个 
            pre_v[i]=pre_v[i-1];            
        }
    }

这个还是比较显然的吧QwQ~

 

算区间贡献

前缀和做差大家应该都会,我们有了1~n的前缀和了,那么我们求区间 [ L, R] 内的符合条件的矿石数,就是区间 [ 1 , Ri ] 内符合条件的矿石数减去区间 [ 1 , Li -1] 内符合条件的矿石数,求区间的价值总和同理:

    for(int i=1;i<=m;i++)                         //m个区间
    {
        Y+=(pre_num[nr[i]]-pre_num[nl[i]-1])*(pre_v[nr[i]]-pre_v[nl[i]-1]);   //求每个区间的贡献和 
    } 

 

上完整的AC代码:

#include<iostream>
#include<cstdio>
#include<cmath>
using namespace std;
long long read()
{
    char ch=getchar();
    long long a=0,x=1;
    while(ch<'0'||ch>'9')
    {
        if(ch=='-') x=-x;
        ch=getchar();
    }
    while(ch>='0'&&ch<='9')
    {
        a=(a<<3)+(a<<1)+(ch-'0');
        ch=getchar();
    }
    return a*x;
}
long long n,m,l,r;
long long pre_num[2000001];
long long nl[2000001],nr[2000001];
long long maxn_w,minx_w,minx,S;
long long pre_v[2000001];
struct node
{
    long long w,v;           //重量w,价值v 
}a[2000001];
int work(long long W)        //我们枚举的W 
{
    for(int i=1;i<=n;i++)
    {
        pre_num[i]=0;
        pre_v[i]=0;
    }
    for(int i=1;i<=n;i++)                        //预处理 
    {
        if(a[i].w>=W)                            //如果第i个矿石满足条件 
        {
            pre_num[i]=pre_num[i-1]+1;           //在上一个的基础上加上自己本身 
            pre_v[i]=pre_v[i-1]+a[i].v;
        }
        else                                     //不满足条件的话 
        {
            pre_num[i]=pre_num[i-1];             //继承上一个 
            pre_v[i]=pre_v[i-1];            
        }
    }
    long long Y=0;
    for(int i=1;i<=m;i++)                         //m个区间
    {
        Y+=(pre_num[nr[i]]-pre_num[nl[i]-1])*(pre_v[nr[i]]-pre_v[nl[i]-1]);   //求每个区间的贡献和 
    } 
    long long s=Y-S;
    if(s<0) s=-s;                                 //手写取绝对值,用函数总有一堆奇怪的错误
    if(s<minx) minx=s;                            //更新答案 
    if(Y>S) return 1;                             //Y太大,需要增大W来减小Y 
    if(Y<S) return 0;                             //Y太小,需要减小W来增大Y 
    if(Y==S) return -1;                           //正好,一定是最优解 
}
int main()
{
    n=read();m=read();S=read();
    maxn_w=-1314;minx_w=1e18;minx=1e18;
    for(int i=1;i<=n;i++)                       
    {
        a[i].w=read();
        a[i].v=read();
        if(a[i].w>maxn_w) maxn_w=a[i].w;       //找最大重量 
        if(a[i].w<minx_w) minx_w=a[i].w;       //找最小重量 
    }
    for(int i=1;i<=m;i++)                      //m个区间 
    {
        nl[i]=read();
        nr[i]=read();
    }
    long long left=minx_w-1;                   //找上下界,这样就能包含所有情况哦 
    long long right=maxn_w+2;
    while(left<=right)
    {
        long long mid=(left+right)>>1;
        int p=work(mid);                 
        if(p==1) left=mid+1;
        if(p==0) right=mid-1;
        if(p==-1) break;                     //找到了最优解,不必再搜了 
    }
    printf("%lld",minx);
    return 0;
}

 

转载于:https://www.cnblogs.com/xcg123/p/11162052.html

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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