2019icpc西安邀请赛 J And And And (树形dp)

题目链接:https://nanti.jisuanke.com/t/39277

题意:给出一棵有边权的树,求所有简单路径包含异或和为0的简单路径的总数和。

思路:

  首先,对于异或为0这一限制,我们通过dfs得到根节点到所有点的路径上的异或和val[i],如果两个结点的val值相等,说明他们之间的路径满足异或和为0。sz [i]为以i为根的子树 的大小。

  其次,对于满足异或和为0的两个点u、v,分两种情况考虑:

    1. u、v在不同链上,这一条路径的贡献值为sz[u]*sz[v],通过map记录每一种权值的size和即可得到。我们先将所有点这样处理一遍。

    2. u、v在一条链上,这一条路径的贡献值为(n-sz[u1])*sz[v],u1是u与v这一条链上u的第一个子结点。因为上一步我们把所有情况加上了,所以要先减去sz[u]*sz[v],通过mp1来记录同一条链上异或值为val的size和,因为是记录同一条链,所以当处理完一个结点的所有子结点时要回溯更新,即减去前面加的size。减了之后加上(n-sz[u1])*sz[v],通过mp2来记录该信息,每处理完一个子结点时回溯更新,因为已经不在一条链上。

AC代码:

#include<cstdio>
#include<algorithm>
#include<unordered_map>
using namespace std;

const int maxn=1e5+5;
const int MOD=1e9+7;
typedef long long LL;
typedef unordered_map<LL,LL> ump;
struct node{
    int v,nex;
    LL w;
}edge[maxn];

int n,head[maxn],cnt,sz[maxn];
LL val[maxn],ans;
ump sum,mp1,mp2;

void adde(int u,int v,LL w){
    edge[++cnt].v=v;
    edge[cnt].w=w;
    edge[cnt].nex=head[u];
    head[u]=cnt;
}

void dfs1(int u,LL va){
    val[u]=va,sz[u]=1;
    for(int i=head[u];i;i=edge[i].nex){
        int v=edge[i].v;
        LL w=edge[i].w;
        dfs1(v,va^w);
        sz[u]+=sz[v];
    }
}

void dfs2(int u){
    ans=(ans+sum[val[u]]*sz[u])%MOD;
    sum[val[u]]=(sum[val[u]]+sz[u])%MOD;
    for(int i=head[u];i;i=edge[i].nex)
        dfs2(edge[i].v);
}

void dfs3(int u){
    ans=(ans-mp1[val[u]]*sz[u]+mp2[val[u]]*sz[u]+MOD)%MOD;
    mp1[val[u]]=(mp1[val[u]]+sz[u])%MOD;
    for(int i=head[u];i;i=edge[i].nex){
        int v=edge[i].v;
        LL w=edge[i].w;
        mp2[val[u]]=(mp2[val[u]]+n-sz[v]+MOD)%MOD;
        dfs3(v);
        mp2[val[u]]=(mp2[val[u]]-n+sz[v]+MOD)%MOD;
    }
    mp1[val[u]]=(mp1[val[u]]-sz[u]+MOD)%MOD;
}

int main(){
    scanf("%d",&n);
    for(int i=2;i<=n;++i){
        int u;LL w;
        scanf("%d%lld",&u,&w);
        adde(u,i,w);
    }
    dfs1(1,0);
    dfs2(1);
    dfs3(1);
    printf("%lld\n",ans);
    return 0;
}

 

转载于:https://www.cnblogs.com/FrankChen831X/p/11371882.html

使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
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