题意

做法

考虑一个子电路图\(G\),设得到有效电阻为\(x\),费用为\(f_G(x)\),通过归纳易得\(f_G(x)\)是关于\(x\)的一个一次函数,即\(f_G(x)=k_Gx\)

考虑电路图\(G\)的若干个子电路图\(G_1,G_2,...,G_n\)

  • 串联:设子电路图的系数分别为\(k_{G_1}\le k_{G_2}\le ...\le k_{G_n}\),之间把\(x\)传到\(G_1\)就行了
    故\(k_G=k_{G_1}\)
  • 并联:有\(\frac{1}{x}=\sum\limits_{i=1}^n \frac{1}{x_i}\)
    我们用柯西不等式来求\(k_G\):
    \(f_G(x)=x(\sum\limits_{i=1}^n \frac{1}{x_i} )(\sum\limits_{i=1}^n k_{G_i}x_i)\ge x(\sum\limits_{i=1}^n \sqrt \frac{1}{x_i}\sqrt {k_{G_i}x_i})^2=x(\sum\limits_{i=1}^n \sqrt {k_{G_i}})^2\)
    故\(k_{G_i}=(\sum\limits_{i=1}^n \sqrt {k_{G_i}})^2\)
    根据柯西不等式,取等号的充要条件是:存在\(\lambda\in\mathbb{R},\sqrt {k_{G_i}x_i}=\frac{\lambda}{\sqrt{x_i}}\)
    为了递推到\(x_i\),我们需要不用到\(x_i\)得到\(\lambda\):
    \(\frac{1}{x_i}=\frac{\sqrt{k_{G_i}}}{\lambda},\sum\limits_{i=1}^n \frac{1}{x_i}=\frac{\sum\limits_{i=1}^n \sqrt{k_{G_i}}}{\lambda},x\sum\limits_{i=1}^n \frac{1}{x_i}=x\frac{\sum\limits_{i=1}^n \sqrt{k_{G_i}}}{\lambda},1=x\frac{\sum\limits_{i=1}^n \sqrt{k_{G_i}}}{\lambda}\)
    故\(\lambda=x\sum\limits_{i=1}^n \sqrt{k_{G_i}}\)

当然目前为止我们都是用实数递推的,但递推底层(单电阻)为\(k=1\),根据归纳容易推得上述根号下的开完根号都为整数
所以不需要考虑实数

CF1280E Kirchhoff's Current Loss的更多相关文章

  1. Codeforces Round #607 (Div. 1) Solution

    从这里开始 比赛目录 我又不太会 div 1 A? 我菜爆了... Problem A Cut and Paste 暴力模拟一下. Code #include <bits/stdc++.h> ...

  2. (转)Image Segmentation with Tensorflow using CNNs and Conditional Random Fields

    Daniil's blog Machine Learning and Computer Vision artisan. About/ Blog/ Image Segmentation with Ten ...

  3. Theano3.2-练习之数据集及目标函数介绍

    来自http://deeplearning.net/tutorial/gettingstarted.html#gettingstarted 一.下载 在后续的每个学习算法上,都需要下载对应的文档,如果 ...

  4. [另开新坑] 算导v3 #26 最大流 翻译

    26 最大流 就像我们可以对一个路网构建一个有向图求最短路一样,我们也可以将一个有向图看成是一个"流量网络(flow network)",用它来回答关于流的问题. Just as ...

  5. (原)torch的训练过程

    转载请注明出处: http://www.cnblogs.com/darkknightzh/p/6221622.html 参考网址: http://ju.outofmemory.cn/entry/284 ...

  6. (原)Ubuntu16中安装cuda toolkit

    转载请注明出处: http://www.cnblogs.com/darkknightzh/p/5655957.html 参考网址: https://devtalk.nvidia.com/default ...

  7. 利用python深度学习算法来绘图

    可以画画啊!可以画画啊!可以画画啊! 对,有趣的事情需要讲三遍. 事情是这样的,通过python的深度学习算法包去训练计算机模仿世界名画的风格,然后应用到另一幅画中,不多说直接上图! 这个是世界名画& ...

  8. keras04 GAN simple

    reference: GAN 讲解 https://blog.csdn.net/u010900574/article/details/53427544 命令行解析 https://blog.csdn. ...

  9. Revisiting Network Support for RDMA

    重新审视RDMA的网络支持 本文为SIGCOMM 2018会议论文. 笔者翻译了该论文.由于时间仓促,且笔者英文能力有限,错误之处在所难免:欢迎读者批评指正. 本文及翻译版本仅用于学习使用.如果有任何 ...

随机推荐

  1. Burpsuite Pro 2020.1最新破解版

    简介 Burp Suite 是用于攻击web 应用程序的集成平台,包含了许多工具.Burp Suite为这些工具设计了许多接口,以加快攻击应用程序的过程.所有工具都共享一个请求,并能处理对应的HTTP ...

  2. mysql ---- Host '' is not allowed to connect to this MySQL server

    mysql>use mysql mysql>update user set host= '%' where user = 'root'; 此时如果提示报错,不用管,继续往下走 select ...

  3. 文本处理命令 cat more less cut wc sort uniq

    1.cat       cat主要功能: 1.一次显示整个文件. cat filename 2.从键盘创建一个文件. cat > filename   (只能创建新文件,不能编辑已有文件). 1 ...

  4. Webpack中hash、chunkhash和contenthash三者的区别

    在webpack中有三种的方式生成哈希值,分别为hash.chunkhash和contenthash.这三种方式有着不同的用处,或者说在webpack的不同环境中,会使用不同的方式生成哈希值.那为什么 ...

  5. 解释为什么wait()和notify(), notifyAll()要放在同步块中

    首先,wait()是释放锁的,因此wait()之前要先获得锁,而锁在同步块开始的时候获得,结束时释放,即同步块内为持有锁的阶段. 那为什么要设计同步块呢?或者说没有同步块会怎样呢?

  6. k8s~部署EFK框架

    EFK,ELK都是目前最为流行的分布式日志框架,主要实现了日志的收集,存储,分析等,它可以与docker容器进行结合,来收集docker的控制台日志,就是stdout日志. elasticsearch ...

  7. 11种常用css样式之background学习

    background如何简写?如何在背景图像不变的情况下,依旧实现页面文字滚动,为之奈何?别担心,快用background-attachment: fixed;/*固定定位*/常用的backgroun ...

  8. Cesium案例解析(六)——3DTilesInspector监视器

    目录 1. 概述 2. 案例 1. 概述 3D Tiles作为传输和渲染大规模3D地理空间数据的格式,应对的都是大规模数据的场景,Cesium提供了一个监视3D Tiles数据的监视器,可以通过这个监 ...

  9. Kong Gateway - 11 基于网关服务的ACL访问控制列表 黑名单

    Kong Gateway - 11 基于网关服务的ACL访问控制列表 黑名单 同一服务名称 book 不允许即创建白名单访问控制列表又创建黑名单访问控制列表 启用服务的白名单&黑名单配置文件时 ...

  10. MySQL基础(2) | 数据库、数据表

    MySQL基础(2) | 数据库.数据表 基本语法 数据库 #创建 CREATE DATABASE IF NOT EXISTS test_db_char DEFAULT CHARACTER SET u ...