题解 小w的魔术扑克

本文探讨了如何使用并查集和DFS算法解决魔术扑克牌游戏中寻找顺子的问题,通过构建树状结构来判断是否能形成顺子,采用线段覆盖优化算法效率。

题目传送门

Decription

小w喜欢打牌,某天小w与dogenya在一起玩扑克牌,这种扑克牌的面值都在1到n,原本扑克牌只有一面,而小w手中的扑克牌是双面的魔术扑克(正反两面均有数字,可以随时进行切换),小w这个人就准备用它来出老千作弊。小w想要打出一些顺子,我们定义打出一个l到r的顺子需要面值为从l到r的卡牌各一张。小w想问问你,他能否利用手中的魔术卡牌打出这些顺子呢?

Solution

我们将一副牌对应的数连上边,不难发现当一个长度为 n n n 的区间里面有 n n n 条边时,才能打出顺子。

所以找出树来就可以了,用并查集维护一下,dfs出所有的树来。

那包含树的区间都是No的,我们记录每个树的区间,相当于做一次线段覆盖。

Code

/*
 * @Name: C
 * @Author: Lovely_XianShen
 * @Date: 2019-10-29 20:30:54
 * @Aqours!Sunshine!!
 */
#include<bits/stdc++.h>
using namespace std;

const int N = 1e6 + 5;

int fa[N];
vector<int> mp[N];
vector<int> q;

bool vis[N];

int minn, maxx, n, k, m;

inline int read() {
    int x = 0, f = 1; char ch = getchar();
    while (ch < '0' || ch > '9') {
        if (ch == '-')f = -1;
        ch = getchar();
    }
    while (ch <= '9' && ch >= '0') {
        x = (x << 1) + (x << 3) + ch - '0';
        ch = getchar();
    }
    return x * f;
}

int find(int x) {
    return x == fa[x] ? x : fa[x] = find(fa[x]);
}

inline void connect(int x, int y) {
    if (find(x) != find(y))
        fa[find(x)] = y;
    return;
}

void dfs(int x) {
    if (vis[x])
        return;
    minn = min(minn, x);
    maxx = max(maxx, x);
    vis[x] = 1;
    for (auto p : mp[x])
        dfs(p);
}

struct node {
    int l, r, i;
    bool operator < (const node &x) const {
        return r < x.r;
    }
} qr[N];

int ans[N];

vector<node> v;

int main() {
    n = read();
    k = read();
    for (int i = 1; i <= n; i++)
        fa[i] = i;
    while (k--) {
        int x = read(), y = read();
        if (find(x) == find(y))
            q.push_back(x);
        else {
            connect(x, y);
            mp[x].push_back(y);
            mp[y].push_back(x);
        }
    }
    for (auto i : q)
        dfs(i);
    for (int i = 1; i <= n; i++)
        if (!vis[i]) {
            minn = n;
            maxx = 1;
            dfs(i);
            v.push_back({minn, maxx, 0});
        }
    m = read();
    for (int i = 1; i <= m; i++)
        qr[i].l = read(), qr[i].r = read(), qr[i].i = i;
    sort(qr + 1, qr + m + 1);
    sort(v.begin(), v.end());
    int ml = 0;
    for (int i = 1, i0 = 0; i <= m; i++) {
        while (i0 < v.size() && qr[i].r >= v[i0].r) ml = max(ml, v[i0].l), i0++;
        if (ml >= qr[i].l)
            ans[qr[i].i] = 1;
    }
    for (int i = 1; i <= m; i++)
        if (ans[i])
            puts("No");
        else
            puts("Yes");
    return 0;
}
内容概要:本文围绕“考虑隐私保护的分布式联邦学习电力负荷预测研究”展开,提出了一种融合联邦学习框架隐私保护机制的电力负荷预测方法,旨在解决传统集中式数据处理中潜在的用户隐私泄露问题。通过构建分布式模型训练体系,各参方在本地完成模型训练,仅向中心服务器上传模型参数或梯度信息,实现“数据不动模型动”的协同建模模式,确保数据“可用不可见”。研究采用Python语言实现了完整的联邦学习流程,涵盖客户端本地训练、全局模型聚合、隐私保护策略(如差分隐私或同态加密)集成、通信机制设计及预测性能评估等核心模块,显著提升了电力负荷预测在隐私安全模型精度之间的平衡能力。; 适合人群:具备Python编程基础和机器学习基础知识,从事电力系统、智能电网、能源大数据分析、数据隐私保护等相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于居民或工业级电力负荷预测任务,在保障用户用电数据隐私的前提下实现高精度预测;②为构建符合数据合规要求的智慧能源管理系统提供技术支撑;③推动联邦学习在能源互联网、跨企业数据协作等场景中的落地应用,促进多方协同建模数据价值释放。; 阅读建议:建议读者结合文中提供的Python代码进行实践操作,重点关注联邦学习的通信轮次设置、本地训练迭代策略、模型聚合算法设计以及隐私噪声添加机制的实现细节,并可根据实际需求替换底层预测模型(如LSTM、XGBoost、Transformer等)以进一步优化预测性能。
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