P6348 [PA 2011] Journeys 题解

# P6348 [PA 2011] Journeys
题意简析:对一个n个点的图,使用(a, b)-(c, d)表示把每一个在(a, b)中的点向每一个在(c, d)中的点建边,问P节点到最远节点的距离。

做法分析:对于这种问题, 我们一般的思路是建立虚点来减少边的个数,集中信息。为了最高效的建立虚点,我们可以考虑类似线段树的方法,用大概2 * n个点来表示一些区间,这样任意长度的区间就被分摊到了 l o g n logn logn 个点上, 注意到我们需要用一些节点作为“汇入”点,一些作为“汇出”点,即我们要建立两颗线段树,在第一棵树上到达父节点意味着可以到达以下的所有子节点,在第二棵树上到达子节点,可以到达以上的左右祖先节点,这样我们就使得虚点的逻辑自洽了。建立区间边的时候,只需从汇出树连到汇入树上,就能保证不出现奇怪的问题。若只建一棵树,则难免所有节点互相可达的状况。虽然边的个数已经降至 m l o g 2 n mlog^2n mlog2n 级别,面对本题数据范围仍然出现不过,这样一来,我们需要对每次询问继续优化,即每次不再建立 l o g 2 n log^2n log2n 条边,而是通过新建一个虚点的方式只建立 2 l o g n 2logn 2logn 条边。这样一来边的数量就可以接受了。不在一开始就通过直接建立虚点而是先建立线段树再建立虚点原因是一开始的边数量过多,最终虽然仍然是m个虚点,却会产生 2 m n 2mn 2mn 条边,显然不可接受。而对于某个小区间不再使用线段树继续划分的原因是在只有一次的情况下,单独建立虚点显然更优。

代码:

#include <iostream>
#include <vector>
#include <cstring>
#include <queue>

const int N = 5e5;

int n, m, P;
int dis[N << 3];//表示到达某个节点的最小代价
int shot[N << 3];
int vis[N << 3];
struct node{
	int pos, val;
};
std::vector<node> G[N << 3];
int pointcnt = 0;

void BuildI(int u, int l, int r){
	if(l == r){
		G[u].push_back(node{u + (N << 2), 0});
		G[u + (N << 2)].push_back(node{u, 0});
		shot[l] = u;
		return;
	}
	int mid = (l + r) / 2;
	G[u].push_back(node{u * 2, 0});
	G[u].push_back(node{u * 2 + 1, 0});
	BuildI(u * 2, l, mid);
	BuildI(u * 2 + 1, mid + 1, r);
	return;
}

void BuildO(int u, int l, int r){
	if(l == r){
		pointcnt = std::max(pointcnt, u + (N << 2));
		G[u + (N << 2)].push_back(node{(u / 2) + (N << 2), 0});
		return;
	}
	int mid = (l + r) / 2;
	BuildO(u * 2, l, mid);
	BuildO(u * 2 + 1, mid + 1, r);
	if(u != 1){
		G[u + (N << 2)].push_back(node{(u / 2) + (N << 2), 0});
	}
	return;
}

void AddI(int u, int l, int r, int c, int d){
	if(l >= c && r <= d){
		G[pointcnt].push_back(node{u, 1});
		return;
	}
	int mid = (l + r) / 2;
	if(c <= mid){
		AddI(u * 2, l, mid, c, d);
	}
	if(d > mid){
		AddI(u * 2 + 1, mid + 1, r, c, d);
	}
	return;
}

void AddO(int u, int l, int r, int a, int b){
	if(l >= a && r <= b){//找到一组a, b
		G[u + (N << 2)].push_back(node{pointcnt, 1});
		return;
	}
	int mid = (l + r) / 2;
	if(a <= mid){
		AddO(u * 2, l, mid, a, b);
	}
	if(b > mid){
		AddO(u * 2 + 1, mid + 1, r, a, b);
	}
	return;
}

void Bfs(){
	std::queue<int> Q;
	Q.push(shot[P]);
	dis[shot[P]] = 0;
	vis[shot[P]] = 1;
	while(!Q.empty()){
		int u = Q.front();
		Q.pop();
		vis[u] = 0;
		for(int i = 0; i < G[u].size(); ++i){
			int v = G[u][i].pos;
			if(dis[u] + G[u][i].val >= dis[v]){
				continue;
			}
			dis[v] = dis[u] + G[u][i].val;
			if(vis[v] == 0){
				Q.push(v);
				vis[v] = 1;
			}
		}
	}
	return;
}

int main(){
	std::ios::sync_with_stdio(false);
	std::cin.tie(nullptr);
	std::cout.tie(nullptr);

	std::cin >> n >> m >> P;
	BuildI(1, 1, n);//入树,父节点链接子节点
	BuildO(1, 1, n);//出树, 子节点链接父节点
	std::memset(dis, 0x3f, sizeof(dis));
	pointcnt += 10;
	int a, b, c, d;
	for(int i = 1; i <= m; ++i){
		std::cin >> a >> b >> c >> d;
		++pointcnt;
		AddO(1, 1, n, a, b);
		AddI(1, 1, n, c, d);
		++pointcnt;
		AddO(1, 1, n, c, d);
		AddI(1, 1, n, a, b);
	}

	Bfs();

	for(int i = 1; i <= n; ++i){
		std::cout << dis[shot[i]] / 2 << '\n';
	}
	return 0;
}
内容概要:本文详细阐述了工业母机技术领域中“高级结构设计工程师”这一岗位的全方位任职要求与职业发展路径,涵盖职位对标、目标企业、学历与证书要求、年龄范围、管理半径、晋升关键点、必备工作经验年限以及薪资待遇区间。重点突出该岗位对高端数控机床核心结构(如床身、主轴箱、导轨等)设计能力的要求,强调有限元分析、精度控制、热变形补偿、振动抑制等核心技术能力,并明确指出需具备项目主导经验、团队管理能力和跨部门协作经验。同时,根据不同企业类型和发展阶段,给出了清晰的年薪划分标准,体现了市场对该岗位的技术深度与综合能力的高度认可。; 适合人群:具备5年以上工业母机或高端机床结构设计经验,致力于向高级工程师、技术专家或管理岗位发展的结构设计从业者;或希望转型进入高端装备制造业的精密机械研发人员。; 使用场景及目标:①用于求职者精准定位职业发展方向,评估自身与高级岗位之间的能力差距;②辅助企业制定人才招聘标准与薪酬体系;③指导技术人员规划技能提升路径,聚焦核心技术积累与项目经验沉淀。; 阅读建议:建议结合个人职业发展阶段对照文中各项指标进行自我诊断,重点关注“晋升关键点”与“必备年限”部分,有针对性地补齐技术短板、积累主导项目经验,并注重专利成果与团队管理能力的培养,以全面提升竞争力。
源码下载地址: https://pan.quark.cn/s/a92ed831069e ### Jmeter工具对验证码的处理方法 #### 一、引言 随着互联网应用安全性的不断提升,验证码已成为网站登录流程中的关键环节。然而,对于性能测试工程师而言,如何高效利用JMeter工具处理登录过程中的验证码构成了一项挑战。本文将系统性地阐述在JMeter中配置和处理验证码的方法,旨在帮助读者熟练掌握这一技能。 #### 二、JMeter中处理验证码的方法与步骤 ##### 1. 创建线程组 在JMeter中构建一个线程组,该线程组将作为执行测试的起始点。在此线程组内,需要添加各类采样器、监听器及其他必要组件,以模拟用户的登录行为。 ##### 2. 新建获取验证码的HTTP请求 在已创建的线程组中,添加一个HTTP请求采样器来模拟用户获取验证码的操作。特别需要注意的是,若目标网站的验证码以图片形式呈现,必须配置正确的HTTP请求以获取该图片。 ##### 3. 配置后置处理器解析验证码 由于通过HTTP请求无法直接获取验证码的值,因此需要增设一个后置处理器实现这一功能。推荐采用BeanShell Post Processor,这是一种高度灵活的脚本编写方式,能够充分满足解析验证码的需求。具体的代码实现可参考以下链接:[http://blog.csdn.net/xreztento/article/details/48682923](http://blog.csdn.net/xreztento/article/details/48682923)。 在BeanShell Post Processor中,需编写一段代码来解析获取到的验证码图片,并将其保存至JMeter的用户自...
内容概要:本文聚焦于扩散模型在光伏场景生成中的应用,深入研究了去噪概率扩散模型(DDPM)的理论基础与Python代码实现。通过构建简化的DDPM模型,实现对光伏功率时序数据的高波动性场景生成,有效模拟新能源出力的不确定性。文章系统阐述了前向扩散过程与逆向去噪过程的数学原理、神经网络架构设计及训练策略,并提供完整的代码实践指导,适用于新能源电力系统规划、不确定性建模与风险评估等任务。同时,文档整合了生成对抗网络(GAN)、条件生成模型、联邦学习、优化算法等相关技术资源,形成支撑科研复现与创新的完整技术体系。; 适合人群:具备Python编程基础和机器学习基础知识,从事新能源、电力系统、人工智能等相关领域研究的研发人员及高校研究生。; 使用场景及目标:①掌握DDPM在光伏功率时序数据生成中的建模方法与实现流程;②深入理解扩散模型相较于传统GAN在生成质量、训练稳定性与时序建模方面的优势;③为电力系统不确定性分析、储能优化配置、调度决策等提供高质量、多样化的输入场景;④结合文档提供的其他代码资源,开展多模型对比研究与综合性科研项目复现与拓展。; 阅读建议:此资源以代码实现为核心,强调理论推导与工程实践的深度融合,建议读者在学习过程中同步运行并调试代码,细致理解每一模块的设计意图与数学依据,并积极参考文档中列出的相关研究方向进行延伸探索与创新应用。
代码转载自:https://pan.quark.cn/s/a4b39357ea24 KeymouseGo 简体中文 | English 功能:记录用户的鼠标键盘操作,通过触发按钮自动执行之前记录的操作,可设定执行的次数,可以理解为 的 。 用途:在进行某些操作简单、单调重复的工作时,使用本软件就可以很省力了。 自己只要做一遍,然后接下来就让电脑来做。 目录 安装 使用方法 + 基本操作 + 提示 + 脚本语法说明 关于作者 开源贡献者 安装 该软件通过 语言编写,已打包为可执行文件,未安装 的用户可直接下载 release 版本 ,直接点击 运行 源码打包可执行文件 打包完成后,可执行文件在项目路径的文件夹内。 使用方法 基本操作 桌面模式 1、点击 按钮,开始录制。 2、在计算机上进行任意操作,如点击鼠标、键盘输入,这部分的动作会被记录下来。 3、点击 按钮,结束录制。 4、点击 按钮,计算机会重复执行一遍第2步中所录制的动作。 命令行模式 直接运行指定脚本: 运行指定脚本3次: 提示 1、可设置脚本重复执行的次数,如果为 即为无限循环。 2、默认启动热键为 ,功能等同于 按钮;默认终止热键为 ,按下后将会停止正在运行的脚本。 3、录制时只记录鼠标点击动作和键盘动作,不记录鼠标移动轨迹。 4、每次录制结束后都会在 目前下生成一个新的脚本文件。 5、运行前可以在列表中选择一个需要执行的脚本。 6、 下的脚本文件内容可以修改,修改时可参考如下所述 。 7、热键设置中的指代鼠标中键,指代鼠标侧键 8、由于程序速度受限,当输入的鼠标速度大于一定值时脚本将无法以预期的输入速度执行 9、部分系统环境中,可能出现无法录制完整的鼠标事件的情况,请以管理员身份/root身份运行...
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:本文介绍了基于条件生成对抗网络(Conditional Generative Adversarial Networks, CGAN)的可再生能源日前场景生成方法的复现研究,旨在通过Python代码实现对风电、光伏等可再生能源出力的不确定性进行高效建模与多场景生成。该方法利用历史数据作为条件输入,训练生成器与判别器网络,从而生成符合实际统计特性的高精度出力场景集,有效支撑电力系统调度、规划与风险评估等应用。文中详细阐述了CGAN的网络结构设计、损失函数构建、训练流程优化及生成场景的质量评价指标,并提供了完整的代码实现与案例分析,验证了其在捕捉时空相关性与概率分布方面的优越性。; 适合人群:具备一定深度学习与电力系统基础知识,从事新能源预测、电力系统优化调度、场景生成等相关方向的科研人员及研究生。; 使用场景及目标:①用于可再生能源出力不确定性建模,生成满足日前调度需求的典型场景集;②支撑含高比例新能源的电力系统随机优化、鲁棒调度与风险评估研究;③为学术研究提供可复现的CGAN应用场景与代码参考。; 阅读建议:建议读者结合提供的Python代码逐模块学习,重点关注数据预处理、模型搭建与训练细节,通过调整超参数和输入数据进行实验对比,深入理解CGAN在电力系统场景生成中的实际应用价值。
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