HDU 6795【2020杭电多校赛第三场1005】【并查集】【组合数学】

Little W and Contest

Sourse

HDU 6795 Little W and Contest

Solution

有两种人,读题的和写代码的,读题的人能力值是1,写代码的人能力值是2,组成一个团队最少需要能力5,所以至少要有2个写代码的人才能组成一个团队。
团队里的人,任意两个人不能互相认识。每个回合教练都会介绍任意两个人认识(因此这两人不能在同一个团队里),并且认识的人之间具有传递性,即题目说明了a认识b,说明了b认识c,a就会视作认识c。问每个回合过后有多少种组成团队的方式。
这种点相连的问题首先想到的是并查集,然后问组合方式必然是组合数学,但是比赛的时候只能想到知识点,没有太多思路,赛后看别人的题解才恍然大悟。
设能力2的人为ability[2],能力1的人为ability[1],朋友圈根节点为rt能力为x的人为friends[rt][x]。
则最开始组成团队的方式为:
ans = C a b i l i t y [ 2 ] 3 {C}_{ability[2]}^{3} Cability[2]3 + C a b i l i t y [ 2 ] 2 {C}_{ability[2]}^{2} Cability[2]2 × C a b i l i t y [ 1 ] 1 {C}_{ability[1]}^{1} Cability[1]1
而u和v认识之后,有以下4种情况需要从现有ans中剔除。
(1)从u的圈中选出一个能力2的人,从v的圈中选出一个能力2的人,从剩下的人中选出一个能力为1的人。此情况下的组合数为:

friends[rtu][2] * friends[rtv][2] * (ability[1] - friends[rtu][1] - friends[rtv][1]);

(2)从u的圈中选出一个能力2的人,从v的圈中选出一个能力2的人,从剩下的人中选出一个能力为2的人。此情况下的组合数为:

friends[rtu][2] * friends[rtv][2] * (ability[2] - friends[rtu][2] - friends[rtv][2]);

(3)从u的圈中选出一个能力2的人,从v的圈中选出一个能力1的人,从剩下的人中选出一个能力为2的人。此情况下的组合数为:

friends[rtu][2] * friends[rtv][1] * (ability[2] - friends[rtu][2] - friends[rtv][2]);

(4)从u的圈中选出一个能力1的人,从v的圈中选出一个能力2的人,从剩下的人中选出一个能力为2的人。此情况下的组合数为:

friends[rtu][1] * friends[rtv][2] * (ability[2] - friends[rtu][2] - friends[rtv][2]);

用cin必须要关同步,不然会T,res和ans要开long long,friends[rt][x]相乘的时候需要先转换成long long,干脆全部开long long了。记得取模。我补题的的时候就是res最后忘了取模,wa了好多发都没发现,感谢队友帮我debug.

Code

/*
 * @Author: SolitaryOrz 
 * @Date: 2020-07-29 11:48:50 
 * @Last Modified by: SolitaryOrz
 * @Last Modified time: 2020-07-29 13:07:12
 */
#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
const int maxn = 1e5+10;
const int mod = 1e9+7;
#define fast ios::sync_with_stdio(false);cin.tie(0);cout.tie(0);

ll arr[maxn],par[maxn],friends[maxn][5],ability[5],ans;

void init(int n) {
    for(int i=0;i<=n;i++) {
        par[i] = i;
        friends[i][1] = 0;
        friends[i][2] = 0;
    }
    ability[1] = 0;
    ability[2] = 0;
}

int findRoot(int x) {
    return par[x] == x ? x : par[x] = findRoot(par[x]);
}

void unionVertices(int x, int y) {
    x = findRoot(x);
	y = findRoot(y);
	if(x == y)
        return;
	else {
		par[x] = y;
		friends[y][1] += friends[x][1];
		friends[x][1] = 0;
		friends[y][2] += friends[x][2];
		friends[x][2] = 0;
	}
}

ll C(int n, int m) {
    if(n < m) return 0;
    ll res = 1;
    for(int i=n;i>n-m;i--) {
        res *= i;
    }
    for(int i=1;i<=m;i++) {
        res /= i;
    }
    return res%mod;
}

void solve(int u, int v) {
    ll res = 0;
    int rtu = findRoot(u), rtv = findRoot(v);
    res += (friends[rtu][2] * friends[rtv][2] % mod) * (ability[1] - friends[rtu][1] - friends[rtv][1]) % mod;
    res += (friends[rtu][2] * friends[rtv][2] % mod) * (ability[2] - friends[rtu][2] - friends[rtv][2]) % mod;
    res += (friends[rtu][2] * friends[rtv][1] % mod) * (ability[2] - friends[rtu][2] - friends[rtv][2]) % mod;
    res += (friends[rtu][1] * friends[rtv][2] % mod) * (ability[2] - friends[rtu][2] - friends[rtv][2]) % mod;
    ans = (ans - res % mod + mod) % mod;
    unionVertices(u,v);
}

int main() {
    fast;
    int t;
    cin >> t;
    while(t--) {
        int n;
        cin >> n;
        init(n);
        for(int i=1;i<=n;i++) {
            cin >> arr[i];
            ability[arr[i]]++;
            friends[i][arr[i]]++;
        }
        ans = ((C(ability[2],3) % mod) + (C(ability[2],2)  * C(ability[1],1) % mod)) % mod;
        cout << ans << endl;
        for(int i=1;i<n;i++) {
            int u,v;
            cin >> u >> v;
            solve(u,v);
            cout << ans << endl;
        }
    }
}
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