题解 P3588 [POI2015]PUS

博客解析了P3588 [POI2015]PUS的问题,将复杂题意转化为图论问题。讨论了如何处理区间钦定位置的数大于其他位置的限制,指出存在环时无解,转化为DAG上的DP。文章提到了初始的暴力建图方法会导致空间爆炸,并提出使用线段树优化,将边数降低到可接受的级别。最后给出了线段树优化后的代码实现。

题目传送门

!!!

作者: BJpers2 更新时间: 2018-07-31 20:25  在Ta的博客查看
                    <hr>
                    <h2>我们在做题之前,先要知道这是一道图论题</h2>

题意描述有些绕,我在这里再阐述一遍:

  • 给出一个部分未知的数列的,以及数列已知的部分
  • 再给出一些区间。对于每一个区间,在它的内部钦定一些位置,并要求这些位置上的数最后的值,都严格大于区间内其他未钦定的位置上的数。
  • 要求给出任意一种可行的满足条件的数列。

大于关系可以看做是一条边,由较大的数指向较小的数。对于每一个询问,我们考虑让这k个位置上的数与区间内其他的位置两两连有向边。这样一来,问题就转化到图上了。

首先,图上若有环则一定无解,因为它意味着x>xx>xx>x

那么问题变为DAG上问题,只要我们从入读为0的位置开始DP即可。贪心的想,最大的数越大,留给下面的空间就越大(注意数列中的数大于0!),所以每个数的可能值全部设置为1e9。DP时假如遇到了已经确定的数,却发现它撑死了也打不到他预设的值(否则与其他单调关系矛盾),那么问题无解。

最后若有解,输出答案即可。

好完美啊,在你看到∑k≤300000\sum k\leq 300000k300000之前还以为是提高组水题。

假如按之前说的那样建图,一次操作就要加入k(r−l+1−k)k(r-l+1-k)k(rl+1k)条边,最坏情况下加入的边数在N3N^3N3级别,空间直接爆炸。

也许你会说,我们可以采用“电话交换机”的建图思想,不再两两连边 而是新拉出一个超级节点,然后只需要k个点向它连边,它向区间内其余点连边即可,只要k+(r−l+1−k)=r−l+1k+(r-l+1-k)=r-l+1k+(rl+1k)=rl+1条边即可

然而这还是不行。因为如果每个操作区间都是上十万的大区间,而k每次只有1,最多还是要连N∑kN\sum kNk条边,仍然爆炸。

注意到,每次我们的空间浪费在,有大量位置连续的点,超级节点却向它们一一连了边。发挥想象力,有什么东西能提高区间操作的效率呢?

线段树!!!

没错,我们把数列建成一棵线段树,然后对于每个操作区间,它会被k个点割成最多k+1个子区间,对于每个区间,可以化成线段树上的最多log(n)log(n)log(n)个已知区间,对于超级节点连出的边,一次操作要加klog(n)klog(n)klog(n)条,算上连向超级节点的,总共是k+klog(n)k+klog(n)k+klog(n)。于是总共的边数在(∑k)log(n)(\sum k)log(n)(k)log(n)级别,完全可以接受。

这样连边以后,要注意线段树自身的边只是形式,要赋权为0。

之后按照之前所说的,按拓扑序DP就行了。

                </div>

!!!

Code

/*
 * @Name: 110728
 * @Author: Lovely_XianShen
 * @Date: 2019-10-30 11:07:41
 * @Aqours!Sunshine!!
 */
#include<iostream>
#include<cstdio>
#define N 600010
#define M 2000010
using namespace std;
int a[N], l[N], r[N], ch[N][2], cn;
int sit[N];
int to[M], w[M], nxt[M], pre[N], cnt;
int du[N];
bool done[N];
void ae(int ff, int tt, int ww) {
    cnt++;
    du[tt]++;
    to[cnt] = tt;
    nxt[cnt] = pre[ff];
    pre[ff] = cnt;
    w[cnt] = ww;
}
int build(int ll, int rr) {
    cn++;
    int x = cn;
    l[cn] = ll; r[cn] = rr;
    if (ll == rr) {
        sit[ll] = cn;
        return x;
    }
    int mid = (ll + rr) >> 1;
    ch[x][0] = build(ll, mid);
    ch[x][1] = build(mid + 1, rr);
    ae(x, ch[x][0], 0);
    ae(x, ch[x][1], 0);
    return x;
}
void add(int x, int now, int L, int R) {
    if (l[now] == L && r[now] == R) {
        ae(x, now, 0);
        return;
    }
    int mid = (l[now] + r[now]) >> 1;
    if (R <= mid) add(x, ch[now][0], L, R);
    else if (L > mid) add(x, ch[now][1], L, R);
    else add(x, ch[now][0], L, mid), add(x, ch[now][1], mid + 1, R);
}
void dfs(int x) {
    done[x] = true;
    int i, j;
    for (i = pre[x]; i; i = nxt[i]) {
        j = to[i];
        a[j] = min(a[j], a[x] - w[i]);
        du[j]--;
        if (!du[j]) dfs(j);
    }
}
int c[N], d[N];
int main() {
    int n, s, m;
    scanf("%d%d%d", &n, &s, &m);
    int i, j, k, x, y;
    build(1, n);
    int tmp = cn;
    for (i = 1; i <= cn; i++) a[i] = 1e9;
    for (i = 1; i <= s; i++) {
        scanf("%d%d", &c[i], &d[i]);
        a[sit[c[i]]] = d[i];
    }
    int L, R;
    while (m--) {
        scanf("%d%d%d", &L, &R, &k);
        y = L; cn++;
        for (i = 1; i <= k; i++) {
            scanf("%d", &x);
            ae(sit[x], cn, 1);
            if (x > y) add(cn, 1, y, x - 1);
            y = x + 1;
        }
        if (R >= y) add(cn, 1, y, R);
    }
    for (i = tmp + 1; i <= cn; i++)
        a[i] = 1e9;
    dfs(1);
    for (i = 1; i <= n; i++)
        if (!done[sit[i]] || a[sit[i]] < 1) {
            puts("NIE");
            return 0;
        }
    for (i = 1; i <= s; i++)
        if (a[sit[c[i]]] != d[i]) {
            puts("NIE");
            return 0;
        }
    puts("TAK");
    for (i = 1; i <= n; i++)
        printf("%d ", a[sit[i]]);
    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与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,各参与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与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,促进多方协同建模与数据价值释放。; 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。
内容概要:本文介绍了一种基于噪声抑制半监督学习的锂离子电池SOH(State of Health,健康状态)估计方法的Python代码实现,旨在通过结合半监督学习框架与噪声抑制技术,提升电池健康状态预测的准确性与鲁棒性。该方法充分利用少量有标签样本和大量无标签数据进行模型训练,有效缓解了实际应用中电池老化数据标注成本高、获取困难的问题。文中详细阐述了模型的整体架构设计、关键特征提取策略、噪声处理机制以及半监督学习中的损失函数构建,并提供了完整的可复现代码,便于研究人员理解和二次开发。; 适合人群:具备一定机器学习理论基础和Python编程能力,从事电池管理系统(BMS)、新能源汽车、储能系统等领域的科研人员或工程师,尤其适用于关注电池寿命预测、状态估计及数据驱动建模的研究生与青年学者。; 使用场景及目标:①实现锂离子电池健康状态的高精度估计,服务于电池管理系统的优化与安全预警;②为工业场景下标注数据稀缺的退化建模问题提供一种高效的半监督解决方案;③推动复杂噪声环境下电池性能退化预测的研究进展,增强模型在真实工况中的泛化能力和稳定性; 阅读建议:建议读者结合所提供的Python代码逐模块深入学习,重点理解数据预处理流程、噪声抑制模块的设计原理以及半监督损失函数的实现细节,同时可在不同公开电池数据集上进行迁移实验与对比分析,以全面掌握该方法的有效性与适用边界。
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