洛谷P6512 【[QkOI#R1] Quark and Flying Pigs】题解

本文详细解析了一种用于抓取飞猪的算法,通过排序、最短路径计算及动态规划,实现对飞猪出现时间及位置的有效追踪,旨在最大化捕获数量。文章介绍了算法的四个部分:排序飞猪出现时间、计算最短路径、动态规划求解最长路径及调整起始条件。

蛮综合的一道好题!

Solution

Part 1

首先,我们把所有猪猪出现的时间从小到大排序。

考虑: 如果要抓第iii只猪猪,那么第j(j>i)j(j>i)j(j>i)只猪猪能否也被抓到。注意这里眼里只有第i只和第j只猪猪,没有别的猪猪

假定第iii只猪猪在t1t1t1时刻,x1x1x1号节点上出现;第jjj只猪猪在第t2t2t2时刻,x2x2x2号节点上出现(j>i)(j>i)(j>i)。如果从x1x1x1x2x2x2的最短耗时不大于t2t2t2t1t1t1的差(时间差),那么它们就可能一起被抓到;否则不可能一起被抓到(因为抓了一只就来不及赶过去抓另一只了呀)。

注意我们这里从x1x1x1x2x2x2的最短耗时就是从x1x1x1x2x2x2的最短路径;由于nnn不是很大,没必要用P5905P5905P5905Johnson全源最短路的板子,因为我们用简单的FloydFloydFloyd就可以轻松跑过。然后两重循环枚举飞猪,再用上面的方法看看它们可不可能一起被抓到即可。

同时发现,如果第iii只飞猪与第jjj只飞猪能够同时被抓到,就相当于从iiijjj连了一条单向边

Part 2

仔细研究上一个Part的最后一句话。

恍然大悟的您发现: 我们就是要找到从111kkk最长路径,并且每个节点只能经过一次(一只可爱的猪猪只能被抓一次啊),答案就是上述路径的长度(每条边的长度均为111)。而且,因为总是从编号小的点连到编号大的点,所以说不可能有环。

下面就是一个显而易见的dpdpdp了。拓扑排序没有必要,毕竟数据不大。

状态设计,即dpidp_idpi表示从iiikkk号节点的最长路径(kkk为飞猪的数量)。

状态转移需要想一想。每一个节点都继承了它指向的点,那么我们就可以找到它所有指向的点中dpdpdp值最大的一个,并让这个节点跟在它后面。

for (int i=head[now];i;i=e[i].next)
{
	if (e[i].to>now)  maxv=max(maxv,dp[e[i].to]);
}//找到最大值
dp[now]=maxv+1;//跟在它后面

Part 3

哎呀哎样例过不了了。怎么回事呢?

容易发现,从111号节点到111号猪猪(最早出现的猪猪)也需要时间的。

那么怎么办呢?很简单啊。

只需要加一个000号猪猪,它在000时刻,111号节点出现(即开始就能抓到它)。然后其他的正常操作就可以啦,记得带上可怜的000号猪猪哦。

而由于多了一只猪猪并且它肯定能够被抓到,所以答案还要减一。综上所述,答案为dp0−1dp_0-1dp01

Part 4

①时间复杂度: O(m+n3+k2)O(m+n^3+k^2)O(m+n3+k2)

②做题时间: 27min27min27min

③综合难度: 绿+/蓝-

④个人思路标签: 图论+最短路+Floyd+快速排序+动规dp(递推)。

注意不要开long long,搞不好这样可能会导致MLE甚至TLE。

Code

#include <bits/stdc++.h>
#define inf 5000005
using namespace std;

int n,m,k,cnt=0;
int GA[205][205],head[5005],dp[5005];

struct edge
{
	int next;
	int to;
}e[30000000];

struct node
{
	int t;
	int rt;
}pig[5005];

bool cmp(node a,node b)
{
	return a.t<b.t;
}

inline void add_edge(int u,int v)
{
	cnt++;
	e[cnt].to=v;
	e[cnt].next=head[u];
	head[u]=cnt;
}

signed main()
{
	cin>>n>>m>>k;
	for (int i=1;i<=n;i++)
	{
		for (int j=1;j<=n;j++)
		{
			if (i!=j)  GA[i][j]=inf;
			else GA[i][j]=0;
		}
	}
	for (int i=1;i<=m;i++)
	{
		int u,v,w;
		cin>>u>>v>>w;
		GA[u][v]=w;
		GA[v][u]=w;
	}
	for (int k=1;k<=n;k++)
	{
		for (int i=1;i<=n;i++)
		{
			for (int j=1;j<=n;j++)
			{
				if (GA[i][k]+GA[k][j]<GA[i][j])
				{
					GA[i][j]=GA[i][k]+GA[k][j];
					GA[j][i]=GA[i][k]+GA[k][j];
				}
			}
		}
	}
	for (int i=1;i<=k;i++)  cin>>pig[i].t>>pig[i].rt;
	
	sort(pig+1,pig+k+1,cmp);
	pig[0].t=0,pig[0].rt=1;
	
	for (int i=0;i<=k;i++)
	{
		for (int j=i+1;j<=k;j++)
		{
			if (GA[pig[i].rt][pig[j].rt]<=pig[j].t-pig[i].t)  add_edge(i,j);
		}
	}
	for (int now=k;now>=0;now--)
	{
		int maxv=0;
		for (int i=head[now];i;i=e[i].next)
		{
			if (e[i].to>now)  maxv=max(maxv,dp[e[i].to]);
		}
		dp[now]=maxv+1;
	}
	cout<<dp[0]-1<<endl;
	
	return 0;
}

撒花✿✿ヽ(°▽°)ノ✿撒花

随着人类对生命健康需求的不断增长,新药研发面临着前所未有的挑战。传统的药物研发流程通常耗时长达十年以上,耗资数十亿美元,且最终成功率极低,这在制药界被称为“反摩尔定律”困境。近年来,人工智能技术的飞速发展,特别是深度学习和大数据分析的广泛应用,为新药发现带来了革命性的契机。人工智能能够从海量的化学和生物数据中挖掘潜在规律,显著加速药物靶点发现、先导化合物优化等关键环节。在此背景下,本研究旨在设计并实现一个基于人工智能的新药发现辅助系统,以期为传统药物研发流程提供高效的智能化辅助工具,从而有效缩短研发周期并大幅降低研发成本。本研究以Python作为主要开发语言,深度结合PyTorch和TensorFlow两大主流深度学习框架,并集成RDKit化学信息学工具包,构建了一个功能完善的新药发现辅助系统。系统的核心目标是利用先进的人工智能技术辅助新药分子的设计与活性评估。在研究方法上,本文创新性地提出了一种融合多模态数据的新药发现算法。该算法综合处理分子的多种表示形式,包括一维的SMILES序列、二维的分子图结构以及三维的空间构象数据。通过构建多通道神经网络,系统能够有效提取并融合不同模态的特征,从而全面捕捉分子的理化性质与生物学活性之间的复杂非线性关系。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
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