2017计蒜客计算之道初赛第六场 微软大楼设计方案(困难)

本文探讨了计蒜客计算之道初赛中一项关于微软大楼设计方案的问题,涉及大楼由多栋楼组成,每栋楼有独立的办公区域,核心部门之间的移动时间不超过给定的最大值,目标是计算大楼的协同值。文章提供了算法思路,包括单调栈的使用,以及详细的代码实现。

计蒜客计算之道初赛第六场 微软大楼设计方案(困难)

近日,微软新大楼的设计方案正在广泛征集中,其中一种方案格外引人注目。在这个方案中,大楼由 n 栋楼组成,这些楼从左至右连成一排,编号依次为 1 到 n,其中第 ii 栋楼有 \(h_i\) 层。每栋楼的每一层为一个独立的 办公区域,可以步行 直达同层相邻楼栋的办公区域,以及 直达同楼栋相邻楼层的办公区域

img

由于方案设计巧妙,上一层楼、下一层楼、向左右移动到相邻楼栋同层的办公区域均刚好需要 1 分钟。在这些办公区域中,有一些被 核心部门 占用了(一个办公区域内最多只有一个核心部门),出于工作效率的考虑,微软希望核心部门之间的移动时间越短越好。对于一个给定的 最大移动时间 k,大楼的 协同值** 定义为:有多少个 核心部门对 之间的移动时间不超过 k。由于大楼门禁的限制,不可以走出整个大楼,也不可以登上天台思考人生。你可以认为在办公区域内的移动时间忽略不计,并且在大楼内总是按照最优方案进行移动。

对于一个给定的新大楼设计方案,你能算出方案的协同值么?

输入格式

第一行包含两个正整数 \(n,k(1\leq k\leq 200020)n,k(1≤k≤200020)\),分别表示大楼的栋数以及最大移动时间。

第二行包含$ n$ 个正整数 \(h_1,h_2,...,h_n(1\leq h_i\leq 20)h1,h2,...,hn(1≤h_i≤20)\),分别表示每栋楼的层数。

接下来一行包含一个正整数 m,表示 核心部门 个数。

接下来 m 行,每行两个正整数$ x_i,y_i(1\leq x_i\leq n,1\leq y_i\leq h_{x_i})xi,yi(1≤xi≤n,1≤yi≤hxi)\(,表示该核心部门位于第\) x_i\(栋楼的第\) y_ii$层。

输入数据保证 m 个核心部门的位置不会重复。

对于简单版本:\(1\leq n,m\leq 501≤n,m≤50\)

对于中等版本:\(1\leq n\leq 200000,1\leq m\leq 20001≤n≤200000,1≤m≤2000\)

对于困难版本:\(1\leq n,m\leq 2000001≤n,m≤200000\)

输出格式

输出一个整数,即整个大楼的 协同值

样例解释

样例对应题目描述中的图,核心部门 1 和核心部门 3 之间的距离为 8>7,因此不能计入答案。

样例输入
5 7
4 1 1 3 1
3
1 4
3 1
4 3
样例输出
2

直接说困难版本吧:

假设 \(x_A\leq x_B\),考虑从左往右枚举 B,用一个单调上升的栈维护 h,那么对于当前的 B 来说,单调栈按 hh 的区间最小值将序列划分成了 O(h) 个子区间。

枚举每个子区间,再枚举\(y_A\) 的值,那么此时$ x_A$的取值范围可以直接通过解不等式得到,用前缀和询问出该范围内有多少核心部门即可。

时间复杂度 \(O(nh^2)\)

其中枚举从低到高枚举,高楼层的子区间一定要在低楼层的右边。

坑点:long long TAT、同一栋楼的单另计算、不等式的推算要仔细。

//单调栈写法 
#include<cstdio>
#include<iostream>
#include<cstring>
#include<cmath>
#include<algorithm>
#include<cstdlib>
#include<stack>
using namespace std;
#define N 200005
typedef long long ll;
struct point{
    ll x,y;
}p[N];
bool cmp(point a,point b){
    return a.x<b.x;
}
ll m,n,k,le[22],h[N],ans,pre[N][22];
bool vis[N][22];
stack<ll>s;
int main()
{
    ans=0;
    scanf("%lld%lld",&n,&k);
    for(int i=1;i<=n;i++){
        scanf("%lld",&h[i]);
    }
    memset(vis,0,sizeof(vis));
    scanf("%lld",&m);
    for(ll i=1;i<=m;i++){
        scanf("%lld%lld",&p[i].x,&p[i].y);
        vis[p[i].x][p[i].y]=1;
    }
    sort(p+1,p+m+1,cmp);
    memset(pre,0,sizeof(pre));
    for(ll i=1;i<=n;i++){
        for(ll j=1;j<=20;j++){
            pre[i][j]=pre[i-1][j];
            if(vis[i][j]) pre[i][j]++;
        }
    }
    ll i=1;
    ll j=1;
    while(!s.empty()){
        s.pop();
    }
    for(;i<=n;i++){
        while(!s.empty()&&s.top()>=h[i]){
            s.pop();
        }
        s.push(h[i]);
        le[s.top()]=i;
        while(p[j].x==i){
            ll flag=1;
            ll last=1;
            for(ll kk=1;kk<=20;kk++){
                if(le[kk]==0) continue;
                if(le[kk]<flag) {
                    continue;
                }
                flag=le[kk];
                for(ll y1=1;y1<=20;y1++){
                    ll x1=i+y1+p[j].y-2*min(min(kk-1,y1-1),p[j].y-1)-k-2;
                    if(x1>flag) continue;
                    if(x1<last) x1=last;
                    ll tmp=flag;
                    if(tmp==i) tmp=i-1;
                    ans+=max(0LL,pre[tmp][y1]-pre[x1-1][y1]);
                    
                }
                last=flag+1;
            }
            for(ll y1=1;y1<p[j].y;y1++){
                if(vis[i][y1]&&(p[j].y-y1)<=k) ans++;
            }
            j++;
        }
    }
    printf("%lld\n",ans);
}

转载于:https://www.cnblogs.com/Crazycatmiao/p/6949967.html

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、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、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