首页 > 其他分享 >堆的应用

堆的应用

时间:2023-09-30 16:12:12浏览次数:29  
标签:大根堆 tsk int queue 扫描线 小根堆 应用

前言

本文针对 CSP-S2/NOIP 复习,重点在在哪用、怎么写,底层原理和实现不是重点。

堆的概念和应用情景

  • 堆是一种可以在 \(O(\log n)\) 的时间内维护一个最值的数据结构,维护最大值的称为大根堆,维护最小值的称为小根堆。
  • 堆的应用只有一个,就是求最值,但求什么最值、求出最值后怎么用,需要根据题目具体分析。
    • 使用对顶堆可以维护第 \(k\%\) 位数(见例题)
    • 反悔贪心一般需要维护所做的最劣决策,一般也会用到若干个堆(见例题)

堆的实现(priority_queue

现在比赛可以用 stl 了,所以就不复习怎么手写堆了,用 priority_queue 就行了。

存已有的数据类型

priority_queue <int, vector<int>, greater<int> > q;

  • 先声明 priority_queue
  • 参数要么只写一个数据类型(像 intlong long ……),要么就三件套,数据类型、vector、比较方式
    • 比较方式有两种,greater<数据类型>less<数据类型>,分别表示当数字大/小时下沉,也就对应了小根堆和大根堆。
    • 需要特别注意:greater 是小根堆!greater 是小根堆!大于表示大数字下沉而小数字在堆顶!
    • 如果只写数据类型而不声明比较方式,默认为大根堆

存 struct

  • 存 struct 需要重载运算符。
    • 重载的一定是小于号,因为 priority_queue 默认大根堆,调用小于号
    • 重载部分,< 对应大根堆,> 对应小根堆。
  • 重载完之后只需要写数据类型就够了,不用再声明比较方式了。
struct node {
	// 这里写一些结构体中的变量
	int x;
	// 这里是重载部分
	const bool <(const node& x) const
	{
		return x < b.x;  // 大根堆
		// return x > b.x; 就是小根堆  
	}
};

priority_queue <node> q;

堆的删除

在堆中,除了堆顶之外,具体元素的位置是不清楚的,遍历删除耗时太久,可以用懒删除。(具体见例题 P2061)

例题

题目 备注
P7072 [CSP-J2020] 直播获奖 对顶堆,k%位数
P2949 [USACO09OPEN] Work Scheduling G 反悔贪心
P2061 [USACO07OPEN] City Horizon S 扫描线,堆的删除
iai433 分数排序 普通的堆,但比较难想

P7072 [CSP-J2020] 直播获奖

\(k\%\) 位数问题,是堆的一个经典应用。
解法是对顶堆:开一个大根堆 q 和一个小根堆 p,大根堆存小数字,小根堆存大数字,并且保证总数为奇数时,小根堆的大小恰好为 \(p\times w\%\)。
每当考虑一个新的数字 \(a\) 时,做两步:

  • 因为大根堆要存小数字,所以先拿 \(a\) 和 q.top() 进行比较,来决定加入哪个堆中。
  • 再调整小根堆的大小,小根堆多就把多出来的数字丢到大根堆,少就从大根堆里弹出堆顶补充。
  • 题目中所求的答案即为小根堆堆顶。

比如对于这组数据:5, 6, 1, 2, 7, 4, 1、\(w=50\)。
假设我们已经知道了前五个数的 \(50\%\) 位数是 5
则现在大根堆中的数据:2, 1,小根堆中的数据为 5, 6, 7

处理接下来一个数字 4,在这里,因为 4 比大根堆堆顶 2 大,所以加入小根堆。
现在小根堆中有 4 个数字:4, 5, 6, 7,而 \(p\times w\%=3\),所以把小根堆堆顶 4 弹出,放到大根堆
现在大根堆中的数据:4, 2, 1,小根堆中的数据为 5, 6, 7,输出答案 5

再处理接下来一个数字 1,比大根堆堆顶 4 小,所以加入大根堆
现在大根堆中的数据:4, 2, 1, 1,小根堆中的数据为 5, 6, 7,\(p\times w\%=4\)。
调整大小,把大根堆堆顶 4 弹出放入小根堆。
现在大根堆中的数据:2, 1, 1,小根堆中的数据为 4, 5, 6, 7,输出答案 4

实现方面,只需要用两个 priority_queue 即可。

AC 代码

AC 代码提交记录

#include <bits/stdc++.h>

using namespace std;

int n, w;
priority_queue <int> q;
priority_queue <int, vector<int>, greater<int>> p;

int main()
{
	cin >> n >> w;
	for (int i = 1; i <= n; ++i) {
		int x, k=max(1, i*w/100);
		cin >> x;
		if (q.empty() || x > q.top()) {
			p.push(x);
		} else {
			q.push(x);
		}
		while (!p.empty() && p.size() > k) { q.push(p.top()); p.pop(); }
		while (!p.empty() && p.size() < k) { p.push(q.top()); q.pop(); }
		cout << p.top() << " ";
	}
	return 0;
}

P2949 [USACO09OPEN] Work Scheduling G

可能第一眼看到要求最值会联想到 dp,但很快就会发现,dp 的状态很难表示,而且有后效性,维度太多复杂度又吃不住,考虑贪心。
这里有两种贪心的方法。

解法 1:反向扫描,纯粹的贪心

把问题变一下:从某个时刻 \(D_i\) 开始能够做一项任务,完成会有 \(P_i\) 的收益。
这样贪心思路就很明确了,每次都挑手上能做的、收益最高的那一个任务即可,不用考虑需不需要给后面任务留时间的问题,因为后面的任务还没有开始。
当前手上收益最高的任务,可以用堆维护。
AC 代码提交记录

#include <bits/stdc++.h>
#define ll long long

using namespace std;

const int MAXN=1e5+5;
int n;
ll ans;

struct node {
	ll d, p;
} tsk[MAXN];

priority_queue <ll, vector<ll>, less<ll> > q;

int main()
{
//	freopen("P2949_3.in", "r", stdin);
	cin >> n;
	for (int i = 1; i <= n; ++i) {
		cin >> tsk[i].d >> tsk[i].p;
	}
	tsk[++n] = {0, 0};
	sort(tsk+1, tsk+n+1, [](node a, node b){return (a.d>b.d)||(a.d==b.d&&a.p>b.p);});
	q.push(tsk[1].p);
	ll j = tsk[1].d;
	for (int i = 2; i <= n; ++i) {
		j = min(j, tsk[i-1].d);
		while ( (!q.empty()) && (j > tsk[i].d) ) {
			ans+=q.top(); q.pop(); --j;
		}
		q.push(tsk[i].p);
	}
	cout << ans << endl;
}

解法 2:正向扫描,反悔贪心

正向扫描需要解决的最大问题就是:需不需要给后面任务留时间。
比如对于这组数据:

4
1 5
2 3
3 7
3 4

最大收益是 \(5+7+4=16\),在这里就是把 \(i=2\) 的那一个任务放弃,把时间留给 \(i=4\) 的那一个任务了。

我们可以利用反悔贪心的思想来考虑这个问题。
也就是说,讲任务按照时间从前往后排序之后,每次碰到一个任务,就先接手开干。然后考虑:

  • 如果新遇到的任务和已有的任务时间不冲突,那么就接受。
  • 如果冲突了,那么,和手上收益最低的那个任务比较收益谁更大,考虑用新任务替换是不是赚,并且做收益的增量更新。

这里需要维护已有任务的最低收益,可以用堆。

AC 代码提交记录

#include <bits/stdc++.h>
#define ll long long

using namespace std;

const int MAXN=1e5+5;
int n;
long long ans;

struct node {
	ll d, p;
} tsk[MAXN];

priority_queue <ll, vector<ll>, greater<ll>> q;

int main()
{
//	freopen("P2949_3.in", "r", stdin);
	cin >> n;
	for (int i = 1; i <= n; ++i) { cin >> tsk[i].d >> tsk[i].p; }
	sort(tsk+1, tsk+n+1, [](node a, node b){return a.d<b.d;});
	for (int i = 1; i <= n; ++i) {
		if (tsk[i].d > q.size()) {
			ans += tsk[i].p;
			q.push(tsk[i].p);
		} else if (tsk[i].p > q.top()) {
			ans += tsk[i].p-q.top();
			q.pop();
			q.push(tsk[i].p);
		}
	}
	cout << ans << endl; return 0;
}

P2061 [USACO07OPEN] City Horizon S

矩形面积并,一眼【扫描线】。
从左往右,在有建筑开始或结束的地方,放一条假想的、垂直于地平线的【扫描线】,对合并完之后的那个奇形怪状的图形做切割。
image
这样一来,每次切割出来的部分是一个矩形。面积可以拿相邻两条扫描线的距离差 \(\Delta x\),乘上这段里面的高度最大值 \(h_{max}\)。
答案是这 \(2n\) 条扫描线切割出来的面积之和,即 \(S=\sum(\Delta x\times h_{max})\)。

因为扫描线是人为定下来的,\(\Delta x\) 很好求,难点在于如何维护 \(h_{max}\)。
二维平面上的扫描线需要用到线段树,但在这里,因为题干中有地平线的存在,只需要拿一个堆即可。
假设我们已经维护出了前 \(i\) 条扫描线 \(bd_i\),对于第 \(i+1\) 条扫描线 \(bd_{i+1}\):

  • 两条扫描线之间的距离差为 \(\Delta x=bd_{i+1}.x-bd_i.x\),从堆中取出 \(h_{max}\),将 \(\Delta x\times h_{max}\) 计入答案。
  • 如果这条扫描线标记了某一幢建筑的【起点】,那么将这幢建筑的高度加入堆中。
  • 如果这条扫描线标记了某一幢建筑的【终点】,那么执行删除操作。

接下来介绍堆的删除操作:【懒删除】。
因为在堆中,我们只能很快知道堆顶的元素,对于具体元素的位置需要遍历整个堆,时间吃不住。
但是,我们可以发现,如果被删去的元素不在堆顶,那么将不会从堆中取出被删去的元素,进而也就不会对答案产生影响。
所以我们可以用 flag 数组,或者 cnt 数组,或者再开一个堆,记下所有要删除的元素。
每次从堆中取出元素时,检查它是否被删除,然后才真正执行删除操作。

当然,在这题中,可以比较当前扫描线的位置,和取出的高度所代表的这幢楼的终点的位置,也可以判断取出的 \(h_{max}\) 是否合法。

AC 代码

AC 代码提交记录

#include <bits/stdc++.h>
#define ll long long

using namespace std;

const int MAXN=4e4+5;
int n;
ll ans;

struct node {
	ll x, h;
	bool st;
} bd[MAXN<<1];

priority_queue <ll> q, del_q;

int main()
{
	cin >> n;
	for (int i = 1; i <= n; ++i) {
		long long a, b, h; cin >> a >> b >> h;
		bd[2*i-1] = { a, h, 1 };
		bd[2*i]   = { b, h, 0 };
	}
	sort(bd+1, bd+2*n+1, [](node a, node b){return a.x<b.x;});
	for (int i = 1; i <= 2*n; ++i) {
		while ( (!q.empty()) && (!del_q.empty()) && (q.top() == del_q.top())) { q.pop(); del_q.pop(); }
		if (!q.empty()) { ans += q.top() * (bd[i].x-bd[i-1].x); }
		if (bd[i].st) { q.push(bd[i].h); }
		else            { del_q.push(bd[i].h); }
	}
	cout << ans << endl;
}

iai433 分数排序

\(\displaystyle\frac ab\) 是最简真分数,等价于 \(a,b\) 互质,等价于 \(\gcd(a,b)=1\)。
把所有分数都罗列出来,复杂度是平方级别的,显然吃不住,只能拿 60 分,所以只能从小到大一个一个看。

  • 如果分母相同,分子越小,分数越小。
  • 如果分子相同,分母越大,分数越小。
  • 如果分子分母都不相同,就没办法快速比较了。

所以这里可以用堆维护最小的分数,相同分母的分数,只要选最小的那个加入堆即可。
初始时,堆中有 \(n-1\) 个元素,分别为 \(\displaystyle\frac12, \frac13, \cdots, \frac1n\)。
每次取出最小的那一个 \(\displaystyle\frac ab\),然后考虑下一个以 \(b\) 为分母的分数 \(\displaystyle\frac{a+1}{b}\),如果是最简真分数就入堆,不合法就再枚举下一个。

AC 代码

AC代码提交记录

#include <bits/stdc++.h>

using namespace std;

const int MAXK=2e5+5;
int n, k, cnt;

struct node {
	int a, b;
	double a_b;
	bool operator <(const node &x) const
	{
		return a_b > x.a_b;
	}
} num;

priority_queue <node> q;

int main()
{
	cin >> n >> k;
	for (int i = 2; i <= n; ++i) { q.push({1, i, double(1)/i}); }
	node c;
	for (int i = 1; i <= k; ++i) {
		c=q.top(); q.pop();
		int a = c.a + 1;
		while ( (a < c.b) && (__gcd(a,c.b)!=1) ) { ++a; }
		q.push( {a, c.b, double(a)/c.b} );
	}
	cout << c.a << "/" << c.b << endl; return 0;
}

标签:大根堆,tsk,int,queue,扫描线,小根堆,应用
From: https://www.cnblogs.com/LittleDrinks/p/17737926.html

相关文章

  • 深度学习在图像识别领域还有哪些应用?
    深度学习在图像识别领域的应用非常广泛,除了之前提到的图像分类、目标检测、语义分割和图像生成,还有其他一些应用。图像超分辨率重建:深度学习技术可以用于提高图像的分辨率,例如通过使用生成对抗网络(GAN)和变分自编码器(VAE)等技术,可以将低分辨率的图像转换为高分辨率的图像,从而提高......
  • STATA 值标签应用
    used:\statashu\cfps\cfps2018person_202012.dta,cleargen父母职业地位=int(qga401code/10000)labeldefinexx1"党政/事业/企业负责人"2"专业技术人员"3"办事人员"4"商业服务人员"5"生产工人"6"农业生产者"labelvalues父母职业地位xx......
  • C++的extern关键字在HotSpot VM中的重要应用
    extern关键字有两个用处:(1)extern在C/C++语言中表示函数和全局变量作用范围(可见性)的关键字,这个关键字会告诉编译器,其声明的函数和变量可以在本模块或其它模块中使用。(2)在C++中引用C语言中的函数和变量,在包含C语言头文件时,需要使用extern"C"来处理。 1、extern表示函数和变量作......
  • ShowDoc部署与应用:文档管理的最佳实践
    在项目开发和协作中,文档管理扮演着至关重要的角色。ShowDoc作为一款卓越的开源文档管理工具,不仅提供强大的文档管理功能,还具备简单易用的协作和部署特性。我们的项目团队最初选择了ShowDoc作为文档管理工具,用以促进前后端协作。在本文中,我们将深入探讨ShowDoc,并为您演示如何轻松部......
  • 推荐我最喜爱的聚合类应用——太极神器
    今天给大家分享一款好用好玩的软件。如果你的日常工作娱乐,常常用到不同类型的软件,每个都要安装一边又占内存,那么强烈推荐你使用聚合类工具箱,软件体积不大,但功能多样,日用非常方便。最近,该软件进行了全新升级,功能更强更稳定,轻度用户使用基本功能就已经足够了,壕无人性的同学则可以考......
  • TCP/IP连接数的最大值取决于操作系统、硬件和应用程序等多个因素
    TCP/IP连接数的最大值取决于操作系统、硬件和应用程序等多个因素。下面是一些常见操作系统中TCP/IP连接数的默认值和最大值:Windows10/WindowsServer2019:默认值为16384,最大值为16777216Windows8/WindowsServer2012:默认值为16384,最大值为16777216Windows7/WindowsServer......
  • .NET应用如何防止被反编译
    前言前段时间分享了两篇关于.NET反编译相关的文章,然后文章留言区就有小伙伴提问:如何防止被反编译?因此本篇文章我们就来讲讲.NET应用如何防止被反编译。.NET反编译相关的文章可以看如下文章:4款免费且实用的.NET反编译工具.NET反编译神器ILSpy怎么用?.NET应用如何防止被反编译......
  • Python 中的字符串基础与应用
    在Python中,字符串可以用单引号或双引号括起来。'hello'与"hello"是相同的。您可以使用print()函数显示字符串文字:示例:print("Hello")print('Hello')将字符串分配给变量是通过变量名后跟等号和字符串完成的:示例a="Hello"print(a)多行字符串您可以使用三个引号将多......
  • 什么是AI客流量算法?如何应用在实际场景中?
    客流量分析算法简而言之就是一种利用数据分析和机器学习技术进行人流量统计、预测和分析的算法。它能够根据不同的数据来源,如摄像头、传感器等,对特定区域内的客流量进行实时监测和分析,并通过对历史数据的综合分析,提供客流趋势预测和优化策略。TSINGSEE青犀视频智能分析网关的客流量......
  • 数字乡村包括哪些方面?数字乡村应用介绍
    数字乡村是指利用物联网、数字化和智能化技术,借助现代数字智能产品、高效信息服务和物联网基础设施,以提高农村居民生活质量,助力拓展经济发展前景。 创建数字村庄有助于缩小城乡社区之间的差距,保障每个人都能平等地享受科技发展红利,获得高质量公共服务、拓展受教育渠道和经济发......