UESTC 92 Journey(LCA)

本文介绍了一道关于树结构的问题,通过使用倍增法预处理最近公共祖先(LCA),并结合新边更新路径权重,实现了快速查询两点间路径花费的方法。

题意:这题是给你一棵树,然后在两点之间再修一条新的路,然后q个询问,问你这两点之间原来的路径花费比修新路之后的花费多多少(如果更小,则输出0)


题解:先是倍增法预处理lca,然后怎么求走了新路之后的花费呢,如果这会查询的两点是x和y,新路的端点是a和b,不就是求min(cost(x,a)+cost(y,b),cost(x,b)+cost(y,a)),这个也能用lca解决
很简单的题


代码:

#include <map>
#include <set>
#include <stack>
#include <queue>
#include <cmath>
#include <string>
#include <vector>
#include <cstdio>
#include <cctype>
#include <cstring>
#include <sstream>
#include <cstdlib>
#include <iostream>
#include <algorithm>
#pragma comment(linker, "/STACK:102400000,102400000")

using namespace std;
#define   MAX           100005
#define   MAXN          6005
#define   maxnode       15
#define   sigma_size    30
#define   lson          l,m,rt<<1
#define   rson          m+1,r,rt<<1|1
#define   lrt           rt<<1
#define   rrt           rt<<1|1
#define   middle        int m=(r+l)>>1
#define   LL            long long
#define   ull           unsigned long long
#define   mem(x,v)      memset(x,v,sizeof(x))
#define   lowbit(x)     (x&-x)
#define   pii           pair<int,int>
#define   bits(a)       __builtin_popcount(a)
#define   mk            make_pair
#define   limit         10000

//const int    prime = 999983;
const int    INF   = 0x3f3f3f3f;
const LL     INFF  = 0x3f3f;
const double pi    = acos(-1.0);
//const double inf   = 1e18;
const double eps   = 1e-8;
const LL    mod    = 1e9+7;
const ull    mx    = 133333331;

/*****************************************************/
inline void RI(int &x) {
      char c;
      while((c=getchar())<'0' || c>'9');
      x=c-'0';
      while((c=getchar())>='0' && c<='9') x=(x<<3)+(x<<1)+c-'0';
 }
/*****************************************************/

const int MAXLOGV = 30;
struct Edge{
    int v,next,c;
}edge[MAX*2];
int head[MAX];
int tot;
int pre[MAXLOGV][MAX];
int dep[MAX];
int dis[MAX];

void init(){
    mem(head,-1);
    mem(pre,-1);
    tot=0;
}

void add_edge(int a,int b,int c){
    edge[tot]=(Edge){b,head[a],c};
    head[a]=tot++;
}

void dfs(int u,int fa,int d,int di){
    pre[0][u]=fa;
    dep[u]=d;
    dis[u]=di;
    for(int i=head[u];i!=-1;i=edge[i].next){
        int v=edge[i].v;
        if(v!=fa) dfs(v,u,d+1,di+edge[i].c);
    }
}

int lca(int u,int v){
    if(dep[u]>dep[v]) swap(u,v);
    for(int k=0;k<MAXLOGV;k++){
        if((dep[v]-dep[u])>>k & 1) v=pre[k][v];
    }
    if(v==u) return u;
    for(int k=MAXLOGV-1;k>=0;k--){
        if(pre[k][u]!=pre[k][v]){
            u=pre[k][u];
            v=pre[k][v];
        }
    }
    return pre[0][u];
}

int main(){
    int t,kase=0;
    cin>>t;
    while(t--){
        kase++;
        int n,q;
        cin>>n>>q;
        init();
        int xx,yy,zz;
        for(int i=1;i<n;i++){
            int a,b,c;
            scanf("%d%d%d",&a,&b,&c);
            add_edge(a,b,c);
            add_edge(b,a,c);
        }
        scanf("%d%d%d",&xx,&yy,&zz);
        dfs(1,-1,0,0);
        for(int k=0;k+1<MAXLOGV;k++){
            for(int v=1;v<=n;v++){
                if(pre[k][v]<0) pre[k+1][v]=-1;
                else pre[k+1][v]=pre[k][pre[k][v]];
            }
        }
        printf("Case #%d:\n",kase);
        while(q--){
            int a,b;
            scanf("%d%d",&a,&b);
            int u=lca(a,b);
            int aa=lca(a,xx);
            int aaa=lca(a,yy);
            int bb=lca(b,xx);
            int bbb=lca(b,yy);
            int tmp=min(dis[a]+dis[xx]-2*dis[aa]+zz+dis[b]+dis[yy]-2*dis[bbb],dis[a]+dis[yy]-2*dis[aaa]+zz+dis[b]+dis[xx]-2*dis[bb]);
            int ans=max(0,dis[a]+dis[b]-2*dis[u]-tmp);
            printf("%d\n",ans);
        }
    }
    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