城市管理 (2018佛山市选拔赛)

本文介绍了一道涉及树状结构、区间更新及查询的问题,通过树剖等高级数据结构优化算法,实现了高效的边权更新与子树路径和查询。

题目描述:给出一棵有n个节点的带边权的有根树,然后有q次操作,维护两个功能:

1.修改:将点u,v的路径上的边边权统一加w

2.查询:询问以i号节点为根的子树的点的两两之间路径和,输出对2018取模的结果

20%数据,n,q<=200;

40%数据n,q<=5000;

100%数据,n,q<=50000;

20%做法:

对于每个修改,我们可以暴力改,但是对于每个询问我们不能枚举两个点再暴力跑路径,考虑在求路径的方法上进行优化,那么应该怎么做呢:不妨设点u,v的lca是点i,那么我们可以用一个神奇的方法求u,v的路径和:对于每一个节点维护一个值,就是从它到根节点的路径和,如图。


求节点6到节点9的路径可以这么求:先求出节点6,9的lca,发现他们的lca是3,然后取出节点9,节点5到根节点的路径和,分为12和14,把他们加起来,发现值刚刚好是它们的路径和加上它们的lca到根节点路径的两倍,所以再减去lca到路径和的两倍就好了。这样,时间复杂度是3次方级别的,如果写的是倍增lca则再乘个log。

40%做法:

我们换一种思路,能不能不枚举点对呢?答案是可以的,我们考虑对于i的子树,某一条边的单独贡献:


如图,我们考虑红色这条边的贡献 ,我们发现,如果点对中的两个点都是子树u内的节点,那么这条边是不会对那个点对产生影响的,同理,如果点对中的两个点都是在子树u的外面,这条边依然不会产生影响,那么对于一条边,它有且只有对那些点对中:一个点在u的子树内,一个点在u的子树外的情况产生影响,假设u的子树大小为size【u】,i的子树大小为size【i】,那么在u的子树中选点的方案数是size【u】种,在u的子树外选点的方案数是(size【i】-size【u】)种,那么让u子树内的点和子树外的点两两配对,一共有size【u】*(size【i】-size【u】)种方案,那么这条边的贡献就是,这条边的权值val乘上size【u】*(size【i】-size【u】)这样我们先dfs一遍,求出以每个点为根时的子树的大小,修改边的时候依然暴力改,求边的时候对每条边像上面那样单独考虑贡献,就可以过40%的数据了,时间复杂度:

100%做法:

首先我们意识到不能直接暴力改边,由于是链上的修改,我们很容易想到树剖,那么,我们应该用数据结构维护一些什么信息才能让计算答案,变得更简便呢:考虑如果每次询问都是询问1号节点,那么节点u连向父亲的边的贡献就是val*size【u】*(n-size【u】)而如果询问的是i号节点,那么贡献是val*size【u】*(i-size【u】)=val*size【u】*(n-size【u】)-(n-size【i】)*val*size【u】,而val*size【u】*(n-size【u】)和val*size【u】两个值都是和询问的i节点无关的,所以我们只需要维护这两个值,假设sum1=val*size【u】*(n-size【u】),sum2=val*size【u】,那么这条边对i的子树的贡献就是sum1-(n-size【i】)*sum2。这样,这道题就完美的解决了,时间复杂度:


                                           推荐番:《末日时在做什么?有没有空?可以来拯救吗?》

代码:

#include <iostream>
#include <cmath>
#include <algorithm>
#include <cstdio>
using namespace std;
int dep[100005],fa[100005],top[100005],siz[100005],line[100005],son[100005],vvv[100005];
int p,n,q,to[100005],pp[100005],next[100005],dui[100005],val[100005],summax[100005],summin[100005];
int x,u,v,w,rr;
struct data
{int mark,sum1,sum2;};
data tre[500005];
char ch;
void dfs1(int k)
{
	int pu=pp[k],ma=0,wei=0;siz[k]=1;
	while (pu>0)
	{
		dep[to[pu]]=dep[k]+1;
		fa[to[pu]]=k;
		dfs1(to[pu]);
		siz[k]+=siz[to[pu]];
		if (siz[to[pu]]>ma){ma=siz[to[pu]];wei=to[pu];}
		pu=next[pu];
	}
	son[k]=wei;
}
void dfs2(int k)
{
	p++;line[p]=k;dui[k]=p;
	if (son[k]!=0)
	{
		top[son[k]]=top[k];
	    dfs2(son[k]);
    }
	int pu=pp[k];
	while (pu>0)
	{
		if (to[pu]!=son[k])
		{
			top[to[pu]]=to[pu];
			dfs2(to[pu]);
		}
		pu=next[pu];
	}
}
void build(int root,int l,int r)
{
	if (l==r)
	{
	    tre[root].sum1=(val[l]*((siz[line[l]]*((n-siz[line[l]])%2018))%2018))%2018;
	    tre[root].sum2=(val[l]*siz[line[l]])%2018;
		return;
	}
	build(root+root,l,(l+r)/2);
	build(root+root+1,(l+r)/2+1,r);
	tre[root].sum1=(tre[root+root].sum1+tre[root+root+1].sum1)%2018;
	tre[root].sum2=(tre[root+root].sum2+tre[root+root+1].sum2)%2018;
}
void fang(int root,int l,int r)
{
	int mid=(l+r)/2;
	tre[root+root].sum1=(tre[root].mark*(summax[mid]-summax[l-1]+2018)+tre[root+root].sum1)%2018;
	tre[root+root+1].sum1=(tre[root].mark*(summax[r]-summax[mid]+2018)+tre[root+root+1].sum1)%2018;
	tre[root+root].sum2=(tre[root].mark*(summin[mid]-summin[l-1]+2018)+tre[root+root].sum2)%2018;
	tre[root+root+1].sum2=(tre[root].mark*(summin[r]-summin[mid]+2018)+tre[root+root+1].sum2)%2018;
	tre[root+root].mark=(tre[root].mark+tre[root+root].mark)%2018;
	tre[root+root+1].mark=(tre[root].mark+tre[root+root+1].mark)%2018;
	tre[root].mark=0;
}
void gai(int root,int l,int r,int h,int t,int vv)
{
	if (h>t)return;
	if (h<=l && t>=r)
	{
		tre[root].sum1=(tre[root].sum1+vv*(summax[r]-summax[l-1]+2018))%2018;
	    tre[root].sum2=(vv*(summin[r]-summin[l-1]+2018)+tre[root].sum2)%2018;
	    tre[root].mark=(tre[root].mark+vv)%2018;
	    return;
	}
	if (tre[root].mark>0)fang(root,l,r);
	int mid=(l+r)/2;
	if (h<=mid)gai(root+root,l,mid,h,t,vv);
	if (t>=mid+1)gai(root+root+1,mid+1,r,h,t,vv);
	tre[root].sum1=(tre[root+root].sum1+tre[root+root+1].sum1)%2018;
	tre[root].sum2=(tre[root+root].sum2+tre[root+root+1].sum2)%2018;
}
int askk(int root,int l,int r,int h,int t,int sizz)
{
	if (h>t)return 0;
	if (h<=l && t>=r)
	{
		return (tre[root].sum1-(tre[root].sum2*((n-sizz)%2018))%2018+2018)%2018;
	}
	if (tre[root].mark>0)fang(root,l,r);
		int mid=(l+r)/2,ss=0;
	if (h<=mid)ss+=askk(root+root,l,mid,h,t,sizz);
	if (t>=mid+1) ss+=askk(root+root+1,mid+1,r,h,t,sizz);
	tre[root].sum1=(tre[root+root].sum1+tre[root+root+1].sum1)%2018;
	tre[root].sum2=(tre[root+root].sum2+tre[root+root+1].sum2)%2018;
	return ss%2018;
}
void gg(int u,int v,int vv)
{
	while (top[u]!=top[v])
	{
		if (dep[top[u]]<dep[top[v]])swap(u,v);
		gai(1,1,n,dui[top[u]],dui[u],vv); 
		u=fa[top[u]];
	}
	gai(1,1,n,min(dui[u],dui[v])+1,max(dui[u],dui[v]),vv);
} 
int main()
{
	cin>>n>>q;
	for (int i=2;i<=n;i++)
	{
		scanf("%d %d",&x,&v);
		p++;to[p]=i;next[p]=pp[x];vvv[i]=v;pp[x]=p;
	}
	dep[1]=1;
	dfs1(1);
	p=0;
	top[1]=1;
	dfs2(1);
	for (int i=1;i<=n;i++)summax[i]=(summax[i-1]+siz[line[i]]*((n-siz[line[i]])%2018)%2018)%2018;
	for (int i=1;i<=n;i++)summin[i]=(summin[i-1]+siz[line[i]])%2018;
	for (int i=1;i<=n;i++)val[i]=vvv[line[i]];
	build(1,1,n);
	for (int i=1;i<=q;i++)
	{
		ch='$';
		while (ch!='I' && ch!='A')scanf("%c",&ch);
		scanf("%c",&ch);scanf("%c",&ch);
		if (ch=='C')
		{
			scanf("%d %d %d",&u,&v,&w);
			gg(u,v,w);
		}
		else if (ch='K')
		{
			scanf("%d",&rr);
			printf("%d\n",askk(1,1,n,dui[rr]+1,dui[rr]+siz[rr]-1,siz[rr]));
		}
	}
	return 0;
}


内容概要:本文提出了一种基于非合作博弈理论的居民负荷分层调度模型,并结合双层鲸鱼优化算法(Two-level Whale Optimization Algorithm)进行高效求解,模型与算法均通过Matlab代码实现。研究针对电力系统中居民侧用电负荷的复杂调度问题,引入非合作博弈机制刻画各用户之间的利益竞争关系,实现负荷的分层优化分配;同时设计双层优化架构,上层优化资源配置,下层模拟用户自主决策行为,提升了模型的实用性与合理性。通过智能优化算法求解多层级、非凸非线性的博弈模型,有效提高了调度方案的收敛性与全局寻优能力,适用于现代智能电网中的需求侧管理与能源优化场景。; 适合人群:具备电力系统基础理论知识和Matlab编程能力,从事智能电网、能源优化调度、需求侧管理、博弈论应用等方向的科研人员、高校研究生及工程技术人员。; 使用场景及目标:①应用于居民区电力负荷的分层优化调度系统设计与仿真分析;②为非合作博弈在多主体能源系统建模中的应用提供方法论支持;③利用双层鲸鱼算法解决具有嵌套结构的复杂双层优化问题,提升求解效率与调度方案的可行性。; 阅读建议:建议读者结合提供的Matlab代码深入理解模型构建逻辑与算法实现流程,重点关注博弈模型的效用函数设计、纳什均衡求解思路以及双层优化结构的迭代机制,宜配合实际用电数据开展复现实验以验证模型有效性与鲁棒性。
内容概要:本文围绕基于自适应神经模糊推理系统(ANFIS)智能控制器的可再生能源微电网功率管理系统展开研究,结合Simulink仿真实现,深入探讨了微电网中功率的智能调控与经济机组组合调度问题。通过引入ANFIS控制器,有效应对风能、光伏等可再生能源出力的波动性与不确定性,提升系统运行的稳定性与电能质量。研究内容涵盖微电网多源协调控制策略、功率平衡管理、优化调度模型构建及仿真验证,实现了对分布式电源、储能系统和负荷的协同优化,兼顾经济性与可靠性目标,并通过仿真平台验证了所提方法的有效性与优越性。; 适合人群:具备电力系统、自动化或新能源相关专业背景,熟悉Matlab/Simulink仿真环境,从事微电网能量管理、智能控制、能源优化等领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于高比例可再生能源接入场景下的微电网能量管理系统研发与教学实践;②为实现微电网功率稳定控制与经济高效运行提供先进的智能控制解决方案;③支撑高水平学术论文复现、科研课题攻关及实际工程项目的仿真验证与方案优化。; 阅读建议:建议结合提供的Simulink模型与相关代码进行动手实践,重点关注ANFIS控制器的设计流程、规则库构建与参数调优方法,并通过与传统PID或MPC控制策略的对比实验,深入理解其在动态响应与鲁棒性方面的优势。同时可进一步拓展文中提出的优化调度逻辑,应用于多目标、多约束的复杂实际应用场景中。
内容概要:本文档聚焦于“直流电机双闭环控制Matlab仿真”,系统阐述了基于Matlab/Simulink平台实现直流电机双闭环控制系统(主要包括速度环与电流环)的设计与仿真全过程。通过构建直流电机的数学模型,结合PI控制器进行调控,实现对电机转速和电枢电流的高精度动态控制,验证控制策略的稳定性与响应性能。文档详细介绍了仿真模型的搭建流程、关键参数的整定方法、系统动态波形的分析手段以及仿真结果的有效性验证,体现了经典自动控制理论在实际电机系统中的工程应用,是电机控制与电力电子技术相结合的典型研究案例。; 适合人群:具备自动控制原理、电机与拖动基础、电力电子技术和Matlab/Simulink仿真能力的电气工程、自动化、机电一体化等专业的本科生、研究生及从事电机驱动系统研发的工程技术人员。; 使用场景及目标:①作为高校课程设计或实验教学材料,帮助学生深入理解双闭环调速系统的工作机理与工程实现;②服务于科研项目,为新型电机控制算法(如滑模、模糊PID等)的开发与性能对比提供基础仿真验证平台;③作为工业界产品前期设计的仿真工具,用于评估不同控制策略在动态响应、抗干扰能力和稳态精度方面的可行性。; 阅读建议:建议读者在学习过程中紧密结合自动控制理论知识,亲手在Simulink环境中搭建完整的双闭环仿真模型,通过反复调整PI控制器的比例与积分参数,观察并分析转速、电流的阶跃响应曲线,从而深刻理解反馈控制的本质、系统稳定性条件以及参数整定对动态性能的影响,进而掌握电机控制系统的设计精髓。
内容概要:本文研究了基于Benders分解与输电网运营商(TSO)和配电网运营商(DSO)协调机制的不确定环境下输配电网双层优化模型,旨在提升高比例可再生能源接入背景下电网系统的协调性与鲁棒性。模型上层以系统整体经济性为目标进行优化调度,下层采用Benders分解实现TSO与DSO之间的信息交互与协同决策,通过引入割平面迭代机制保障求解的收敛性与全局最优性。研究充分考虑新能源出力与负荷需求的不确定性,构建了具有强适应性的双层优化框架,并基于Matlab完成了模型的编程实现与仿真验证,有效解决了多主体、多层级、多不确定性因素耦合下的电力系统优化调度难题。; 适合人群:具备电力系统分析、运筹学与优化理论基础,熟悉Matlab编程环境,从事智能电网、能源互联网、分布式能源集成、电力市场等方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究高渗透率可再生能源条件下输配电网协同优化调度策略;②掌握Benders分解在电力系统双层优化建模中的应用方法与实现技巧;③构建TSO-DSO多主体协调机制,实现跨层级电网资源的高效互动与决策解耦;④提升对不确定性建模、分解算法设计及大规模优化问题求解能力。; 阅读建议:建议读者结合Matlab代码逐模块剖析模型构建流程,重点理解Benders割的生成逻辑、主从问题的信息传递机制及收敛判据设定,推荐在标准IEEE测试系统上复现实验以深入掌握模型特性与算法性能。
内容概要:本文系统研究了基于灰狼优化算法(GWO)优化Elman神经网络的方法,并提供了完整的Matlab代码实现。研究重点在于利用灰狼优化算法强大的全局搜索能力,对Elman神经网络的关键参数进行智能优化,从而克服传统训练方法易陷入局部最优的缺陷,显著提升模型在时序预测与非线性系统建模任务中的精度与稳定性。文章详细阐述了Elman网络的动态反馈机制及其在处理时间序列数据方面的优势,构建了GWO与Elman相结合的混合预测框架,涵盖了从模型搭建、参数寻优、仿真测试到结果分析的全流程,特别适用于风电功率预测、电力负荷预测等具有强时变性和不确定性的工程应用场景。; 适合人群:具备一定Matlab编程能力和神经网络基础知识,从事智能优化算法、时间序列预测、电力系统分析或新能源出力预测等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握灰狼优化算法在神经网络超参数优化中的具体实施路径与技术细节;②深入理解Elman递归神经网络与群体智能优化算法融合的建模范式;③将其应用于风电、光伏等新能源发电功率预测及复杂动态系统的建模与仿真,提升预测性能。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,重点关注GWO算法与Elman网络的接口设计、适应度函数构建及参数优化迭代过程,可通过调整数据集或迁移至其他预测场景以深化理解和验证模型泛化能力。
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