[bzoj2259][Oibh]新型计算机_Dijkstra

新型计算机 bzoj-2259 Oibh

题目大意:给定一个n个数的数列,第i个数为a[i],更改第i个数至x的代价为|x-a[i]|。求最小代价,使得:读入一个数s1后,向后连着读s1个数,然后如s2,再向后读s2个数。保证最后恰好读到第n个数。

注释:$1\le n\le 10^6$


想法:又开始了... ...在那里一顿dp...

结果又是一个图论题.. ..这场面好熟悉

我们直接从第i个数像第i+a[i]连一条边权为0的边。然后这时我们思考暴力怎么做?暴力的话从i+a[i]开始像左右依次连边权为1,2,3...的边,然后Dijkstra即可,时空复杂度均为$O(n^2)$。如何优化这一过程?我们思考:其实这中的有些边是没有用的,我们只需要将相邻两个点之间连一条边权为1的边即可。然后堆优化Dij,时间复杂度为O(nlogn)。

正确性:我们发现:绝对值函数f(x)=|x|是一个偶函数,而且是一个线性偶函数,所以这东西支持在符号相同的情况下加减,在符号不同的情况下可以直接通过我们连的边退回去,证毕。

最后,附上丑陋的代码... ...

#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <queue>
#define N 1000010 
#define mp make_pair 
using namespace std;
priority_queue<pair<int,int> > pq;
int to[N<<2],nxt[N<<2],val[N<<2],head[N],tot;
int dis[N]; bool lv[N],rv[N],vis[N];
inline void add(int x,int y,int z)
{
    to[++tot]=y;
    val[tot]=z;
    nxt[tot]=head[x];
    head[x]=tot;
}
int main()
{
    int n; cin >> n ;
    for(int u,i=1;i<=n;i++)
	{
		scanf("%d",&u);
		if(i+u>n) add(i,n+1,i+u-n);
		else add(i,i+u+1,0);
		for(int j=i+1;j<=i+u+1&&j<=n&&!lv[j];j++) lv[j]=1,add(j,j-1,1);
		for(int j=i+u+1;j<=n&&!rv[j];j++) rv[j]=1,add(j,j+1,1);
	}
    memset(dis,0x3f,sizeof(dis));
	pq.push(mp(0,1)),dis[1]=0;
	while(!pq.empty())
	{
		int u=pq.top().second; pq.pop();
		if(vis[u]) continue;
		vis[u]=1;
		for(int i=head[u];i;i=nxt[i])
			if(dis[to[i]]>dis[u]+val[i])
				dis[to[i]]=dis[u]+val[i],pq.push(mp(-dis[to[i]],to[i]));
	}
	printf("%d\n",dis[n+1]);
	return 0;
}

小结:图论真tm难... ...

全部评论

相关推荐

02-25 13:02
中南大学 C++
_追梦旅人_:大家考虑深圳睿联不,我们正在春招,可在我主页看岗位,感兴趣可直接投递~
点赞 评论 收藏
分享
头像
03-03 15:53
已编辑
黑龙江大学 Java
在当前开源项目极为丰富的背景下,付费资源并不一定意味着最前沿的技术优势,在具体执行层面展示出自己的独特价值,才是简历上最重要的加分项。1.&nbsp;WebMCP&nbsp;—&nbsp;让网站主动告诉&nbsp;AI&nbsp;该怎么操作AI&nbsp;操作浏览器的方案一直靠&quot;猜&quot;——截图识别、DOM&nbsp;解析,错误率&nbsp;15-30%。WebMCP&nbsp;反过来,让网站自己声明能做什么,AI&nbsp;直接调用结构化接口,准确率接近&nbsp;100%。Chrome&nbsp;Canary&nbsp;已实装。企业内部系统的&nbsp;WebMCP&nbsp;适配目前几乎没人做,是明确的蓝海。推荐理由:简历上写的不是&quot;我会用某个框架&quot;,而是&quot;我在标准刚发布时就做了企业适配&...
书海为家:#人脑vsAI# 尽管深度学习的最初灵感来源于人类的大脑,但二者的运作方式截然不同:深度学习所需要的数据量远比人脑所需要的多得多。可是一旦经过大数据训练,它在相同领域的表现将远远超过人类(尤其是在数字的量化学习,例如挑选某人最可能购买的产品,或从100万张脸中挑选最匹配的一张)——相对来说,人类在同一时间内只能把注意力放在少数几件事情上面,而深度学习算法却可以同时处理海量信息,并且发现在大量数据背后的模糊特征之间的关联,这些模糊特征不仅复杂而且微妙,人类往往无法理解,甚至可能不会注意到。 虽然深度学习拥有人类所缺乏的并行处理海量数据的“绝技”,但不具备人类在面对决策时独一无二的汲取过去的经验、使用抽象概念和常识的能力。 与人类相比,深度学习想要充分发挥作用,离不开海量的相关数据、单一领域的应用场景以及明确的目标函数,这三项缺一不可,如果缺少其中任何一项,深度学习将无用武之地。
AI求职实录
点赞 评论 收藏
分享
评论
点赞
收藏
分享

创作者周榜

更多
牛客网
牛客网在线编程
牛客网题解
牛客企业服务