武理校赛D题 星际穿越(分层图 + dij堆优化)

2023-11-24 01:50

本文主要是介绍武理校赛D题 星际穿越(分层图 + dij堆优化),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

武理校赛D题

星际穿越(分层图 + dij堆优化)

牛客链接

题意:

给定 N 个点,M 条边,每条边有边权 w,点分为三类,编号为1,2,3。

给定起点和终点且保证起点和终点都是第 3 类点。

求起点到终点的最短路,且路径中需要有一个 (不多不少刚好一个)1 类点和一个 2 类点,通过 1 类点的时间要在通过 2 类点之前。

保证数据无重边,无负环,图连通。

思路:

第一眼看过去类似一个最短路问题,只不过加了限制条件,因此考虑使用最短路解决。

典中典之错误思路:

一开始想到将所有 1 类点都连接一个边权为 0 的超级源点,2 类点同理,这样可以将模型大概简化为:所有三类点 -> 所有一类点 -> 所有二类点 -> 所有三类点,跑三次 dij 找到答案。
在这里插入图片描述
(最后发现这种算法假了qwq)

这种建图无法保证:

局部最优解是全局最优解;

存在 三类点 -> 二类点 -> 一类点 的可能;

正确思路:

建分层图,分三层:

每一层中的三类点都是联通的;

第一层路径包括 3 -> 3,3 -> 1;

从第一层到第二层的路径由 1 -> (第二层的)3 组成;

第二层路径包括 3 -> 3,1 -> 3;

第二层到第三层的路径由 1 -> (第三层的)2,3 -> (第三层的)2 组成;

第三层路径包括 3 -> 3,2 -> 3;

建完图之后只要从第一层的起点跑到第三层的终点,跑一边 dij 即可算出答案。

细节:

三层图,因此 MAXN 和 MAXM 都要开成三倍;
距离初始化时也要初始化到 3 * n;

const int MAXN = 300010;
const int MAXM = 1500010;
for (int i = 1;i <= n * 3 + 2;i++) dis[i] = inf;

剩下没啥细节基本都是模板

完整代码:

#define _CRT_SECURE_NO_WARNINGS
#include<stdio.h>
#include<iostream>
#include<cstring>
#include<algorithm>
#include<map>
#include<vector>
#include<math.h>
#include<queue>
using namespace std;
typedef long long ll;
typedef double dd;
typedef pair<int, int> pii;
typedef pair<dd, dd> pdd;
const int MAXN = 300010;
const int inf = 1e9 + 7;
const int MAXM = 1500010;//dij 模板
struct EDGE {int u, v, w, nxt;
}e[MAXM];
int head[MAXN], cnt, vis[MAXN], dis[MAXN];
struct NODE {int w, now;bool operator < (const NODE& x) const{return w > x.w;}
};
priority_queue<NODE>q;
int n, m, s, t;
int lei[MAXN];void add(int u, int v, int w)
{e[++cnt] = { u,v,w,head[u] };head[u] = cnt;
}void dij()
{for (int i = 1;i <= n * 3 + 2;i++) dis[i] = inf;dis[s] = 0;q.push({ 0,s });while (q.size()){NODE x = q.top();q.pop();int u = x.now;if (vis[u]) continue;vis[u] = 1;for (int i = head[u];i;i = e[i].nxt){int v = e[i].v;if (dis[v] > dis[u] + e[i].w){dis[v] = dis[u] + e[i].w;q.push({ dis[v],v });}}}
}int main()
{scanf("%d%d%d%d", &n, &m, &s, &t);for (int i = 1;i <= n;i++) scanf("%d", &lei[i]);for (int i = 1;i <= m;i++){int u, v, w;scanf("%d%d%d", &u, &v, &w);if (lei[u] == 3 && lei[v] == 3) add(u, v, w), add(u + n, v + n, w), add(u + 2 * n, v + 2 * n, w);//3 -> 3, 每层都建if (lei[u] == 3 && lei[v] == 1) add(u, v + n, w);//3 -> 1, 第一层到第二层的路径if (lei[u] == 3 && lei[v] == 2) add(u + n, v + 2 * n, w);//3 -> 2, 第二层到第三层的路径if (lei[u] == 1 && lei[v] == 2) add(u + n, v + 2 * n, w);//1 -> 2, 第二层到第三层的路径if (lei[u] == 1 && lei[v] == 3) add(u + n, v + n, w);//1 -> 3, 第二层中的路径if (lei[u] == 2 && lei[v] == 3) add(u + 2 * n, v + 2 * n, w);//2 -> 3, 第三层中的路径}dij();if (dis[t + 2 * n] >= inf) printf("-1");//第一层起点到第三层终点的最短路径else printf("%d", dis[t + 2 * n]);
}

总结:

比赛写这题时心态较急,导致没有仔细思考当时的思路是否可行就开始写,导致一直按照错误思路写到最后 20 分钟才在推优的提醒下发现算法写假。
另一原因也是以前没有写过分层图的题目,所以比赛时即便想到可能可以建三层图,却无法确定是否可行,在两种思路中果断选择了错误的思路 (不愧是我)

这篇关于武理校赛D题 星际穿越(分层图 + dij堆优化)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/421058

相关文章

Linux进程CPU绑定优化与实践过程

《Linux进程CPU绑定优化与实践过程》Linux支持进程绑定至特定CPU核心,通过sched_setaffinity系统调用和taskset工具实现,优化缓存效率与上下文切换,提升多核计算性能,适... 目录1. 多核处理器及并行计算概念1.1 多核处理器架构概述1.2 并行计算的含义及重要性1.3 并

MyBatisPlus如何优化千万级数据的CRUD

《MyBatisPlus如何优化千万级数据的CRUD》最近负责的一个项目,数据库表量级破千万,每次执行CRUD都像走钢丝,稍有不慎就引起数据库报警,本文就结合这个项目的实战经验,聊聊MyBatisPl... 目录背景一、MyBATis Plus 简介二、千万级数据的挑战三、优化 CRUD 的关键策略1. 查

SpringBoot中HTTP连接池的配置与优化

《SpringBoot中HTTP连接池的配置与优化》这篇文章主要为大家详细介绍了SpringBoot中HTTP连接池的配置与优化的相关知识,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一... 目录一、HTTP连接池的核心价值二、Spring Boot集成方案方案1:Apache HttpCl

PyTorch高级特性与性能优化方式

《PyTorch高级特性与性能优化方式》:本文主要介绍PyTorch高级特性与性能优化方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、自动化机制1.自动微分机制2.动态计算图二、性能优化1.内存管理2.GPU加速3.多GPU训练三、分布式训练1.分布式数据

Maven 插件配置分层架构深度解析

《Maven插件配置分层架构深度解析》:本文主要介绍Maven插件配置分层架构深度解析,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录Maven 插件配置分层架构深度解析引言:当构建逻辑遇上复杂配置第一章 Maven插件配置的三重境界1.1 插件配置的拓扑

MySQL中like模糊查询的优化方案

《MySQL中like模糊查询的优化方案》在MySQL中,like模糊查询是一种常用的查询方式,但在某些情况下可能会导致性能问题,本文将介绍八种优化MySQL中like模糊查询的方法,需要的朋友可以参... 目录1. 避免以通配符开头的查询2. 使用全文索引(Full-text Index)3. 使用前缀索

C#实现高性能Excel百万数据导出优化实战指南

《C#实现高性能Excel百万数据导出优化实战指南》在日常工作中,Excel数据导出是一个常见的需求,然而,当数据量较大时,性能和内存问题往往会成为限制导出效率的瓶颈,下面我们看看C#如何结合EPPl... 目录一、技术方案核心对比二、各方案选型建议三、性能对比数据四、核心代码实现1. MiniExcel

MySQL索引的优化之LIKE模糊查询功能实现

《MySQL索引的优化之LIKE模糊查询功能实现》:本文主要介绍MySQL索引的优化之LIKE模糊查询功能实现,本文通过示例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录一、前缀匹配优化二、后缀匹配优化三、中间匹配优化四、覆盖索引优化五、减少查询范围六、避免通配符开头七、使用外部搜索引擎八、分

Python通过模块化开发优化代码的技巧分享

《Python通过模块化开发优化代码的技巧分享》模块化开发就是把代码拆成一个个“零件”,该封装封装,该拆分拆分,下面小编就来和大家简单聊聊python如何用模块化开发进行代码优化吧... 目录什么是模块化开发如何拆分代码改进版:拆分成模块让模块更强大:使用 __init__.py你一定会遇到的问题模www.

SpringBoot首笔交易慢问题排查与优化方案

《SpringBoot首笔交易慢问题排查与优化方案》在我们的微服务项目中,遇到这样的问题:应用启动后,第一笔交易响应耗时高达4、5秒,而后续请求均能在毫秒级完成,这不仅触发监控告警,也极大影响了用户体... 目录问题背景排查步骤1. 日志分析2. 性能工具定位优化方案:提前预热各种资源1. Flowable