首页 > 其他分享 >不好分类的好题Record

不好分类的好题Record

时间:2024-05-21 23:30:34浏览次数:24  
标签:le 一个 可以 分类 好题 选择 Record 这个 我们

这里装的是一些不太好分类的。

problem 1

给你 \(n\) 个序列,第 \(i\) 个序列的长度为 \(m_i\),要求在每个序列中选择一个数,每种选法的代价为选择的 \(n\) 个数之和,请求出代价前 \(k\) 小的方案的代价之和。
\(1\le n,k \le 10^5,1 \le m_i \le 10\)。

对于 \(k \le 500\) 的情况这是一个比较常见的贪心问题,我们使用堆合并 \(n\) 次即可。

于是我们尝试用堆来解决这个问题。

首先我们可以知道最小值,然后我们可以在一个一个去改变每一个堆选的值。

定义状态 \((val,x,y)\) 为当前合并出来的数为 \(val\),现在在第 \(x\) 个堆,这个堆选择的是第 \(y\) 个数。

我们有以下三种情况进行转移:

  1. \(y < len_x\):此时我们可以选择这个堆的下一个数并且抛弃这个数。

  2. \(x < n\):此时我们可以选择下一个堆,并且将选择下一个堆的第二个数.

  3. \(x < n\) 且 \(y = 1\):我们在这个堆撤销次小的,选择最小的,然后选择下一个堆中次小的。也就是跳过第 \(x\) 个堆。

这样子就可以保证不重不漏,然后就可以求出前 \(k\) 小的方案之和了。

problem 2

先抛弃掉颜色只差大于 \(L\) 这个条件,先单独看第二个条件。

看到第二个条件我们可以想到对于原图建一棵 Kruskal 生成树。不知道这个东西是啥的戳这里

现在我们加上那个条件。

我们枚举每一个新加出来的点,考虑他对答案的贡献。

明显的,贡献就是它的左边子树和右边子树各选出来一个点能组成一个有好点对的方案数量乘上这个点的权值。

我们可以枚举它的左子树中的叶子结点,然后再计算对面有多少个点是不满足条件的。

由于一个子树内的 dfs 序是连续的,所以说这个题目就被我们转换成了二维数点问题。

细节有点多。扔个代码实现 -> code

标签:le,一个,可以,分类,好题,选择,Record,这个,我们
From: https://www.cnblogs.com/Carousel/p/18205180

相关文章

  • 轻便高效的音频分类神经网络
    具体的软硬件实现点击http://mcu-ai.com/MCU-AI技术网页_MCU-AI在过去的几年里,大规模数据集(例如AudioSet)上的音频分类任务一直是一个重要的研究领域。一些更深层次的基于卷积的神经网络已经显示出引人注目的性能,特别是Vggish、YAMNet和预训练音频神经网络(PANN)。这些模型......
  • (文件[夹]批量分类整理_多级匹配_交叉匹配_路径结构交叉调整)文件[夹]批量复制
    首先,需要用到的这个工具:度娘网盘提取码:qwu2蓝奏云提取码:2r1z需要先看之前发布的文章: 《如何批量复制多个文件到多个目录中(提取匹配法)》原理:对来源路径和终点路径  多次提取出关键词,再自由组合成 匹配词 情景再现:我这里有8张图片,模拟要整理的文件,路径分别如下:C......
  • 240503好题选讲:概率和期望
    240503好题选讲:概率和期望期望的计算公式:\[E(X)=\sum_ii\timesP(x=i)\]期望的线性性:\[E(X+Y)=E(X)+E(Y),E(kX)=kE(x)\]A百事世界杯之旅B收集邮票一句话题意:\(n\)种邮票,每次等概率选取一张,第\(i\)张的价格是\(i\),问:标准版:集齐\(n\)种邮票所需要购买的期望......
  • Use AOP to record system logs
    UsingAOPtoRecordSystemLogs:1.CustomAnnotationClassDefineacustomannotationclass:packagecom.java.common.annotion;importjava.lang.annotation.*;@Target({ElementType.METHOD,ElementType.PARAMETER})//Thisannotationappliestomethodsandp......
  • 图神经网络入门示例:使用PyTorch Geometric 进行节点分类
    基于图的神经网络是强大的模型,可以学习网络中的复杂模式。在本文中,我们将介绍如何为同构图数据构造PyTorchData对象,然后训练不同类型的神经网络来预测节点所属的类。这种类型的预测问题通常被称为节点分类。我们将使用来自BenedekRozemberczki,CarlAllen和RikSarkar于2019......
  • golang context 特点,和自己定义分类有什么区分
     context包的特点包括:1信号传递:取消信号:context提供了一个取消机制,允许一个父级goroutine在必要的时候通知其子级goroutines任务应该停止执行。 截止时间:可以设置一个截止时间,当超过这个时间时,上下文自动变为取消状态。 超时:类似截止时间,但通常基于从当前......
  • 记录一下tomcat报错日志分析(去重分类)
    #!/usr/bin/envpython#coding=utf-8importosfolder_path='E:\\Desktop'output_file='E:\\Desktop\\bsvc_error.log'defmerge_files(folder_path,output_file):withopen(output_file,'w',encoding='utf-8&#......
  • 分类算法中精确率、召回率、F1 Score的理解
    在机器学习和深度学习中,将分类任务的预测结果分为以下四种,被称作混淆矩阵:TruePositive(TP):预测出的为正例,标签值也为正例,预测正确FalseNegative(FN):预测出的为负例,标签值为正例,预测错误FalsePositive(FP):预测出的为正例,标签值为负例,预测错误TrueNegative(TN):预测出的为负......
  • 实验2-鸢尾花分类
    VMware虚拟机Ubuntu20-LTSpython3.6tensorflow1.15.0keras2.3.1运行截图: 代码:fromsklearnimportdatasetsimportmatplotlib.pyplotaspltimportnumpyasnpfromsklearnimporttree#Iris数据集是常用的分类实验数据集,#由Fisher,1936收集整理。Iris也称鸢......
  • 机器学习实践第四篇——贝叶斯分类器
    一.什么是贝叶斯分类器  1.1贝叶斯定理  贝叶斯定理是贝叶斯统计学中的核心定理,它描述了在获得新的观察数据后如何更新概率估计。贝叶斯定理的数学表达如下:  $$P(A|B)=\frac{P(B|A)\cdotP(A)}{P(B)}$$  其中,$P(A|B)$表示在给定观察数据$B$的条件下,事件$A$发......