2023NOIP A层联测32 T3 sakuya
2023NOIP A层联测32 T3 sakuya
虚伪的期望,彬彬赛时都能 A 的数学题。
思路
考虑算出来总的花费,再除以 \(m!\) 求期望。
对于某个排列的花费为:\(\sum\limits_{i=2}^m dis(a_{i-1},a_i)\)。
但考虑一下,这个式子重要吗?
我们的目的是求出所有排列的花费的和,不能局限于某一个排列去求。
其实,如果我们知道每一种相邻两个数出现的次数,乘上这两个点间的距离,也可以算出答案。
那么我们考虑 \(u,v\) 相邻的情况(不论先后)在 \(m!\) 种方案中会出现多少次?
赛时通过打表得知,\(u,v\) 相邻的情况有 \(2(m-1)!\) 种,现在来证明一下。
先在这 \(m\) 个数中去掉 \(v\),那么有 \((m-1)!\) 种排列,将 \(v\) 放在每一种排列的 \(u\) 的后一个位置,这样子贡献了 \((m-1)!\) 种情况。
将 \(u,v\) 互换,也能得到 \((m-1)!\) 种情况。
所以说,对于一对数 \(u,v\) 他们在 \(m!\) 种方案中,相邻的次数为 \(2(m-1)!\) 次。
也就是说,每一个 \(dis(u,v) \ (u<v)\) 在 \(m!\) 种方案中计算 \(2(m-1)!\) 次。
答案为:
\]
化简为:
\]
现在求出 \(\sum\limits_{i\in A}\sum\limits_{i\in A,i<j} dis(i,j)\) 即可。
先没有修改操作,这个式子可以统计一条边两边的有效点(在集合 \(A\) 中的点的个数),来计算有多少条经过这条边多少次,乘以边权即可。
如果加上修改,那么每次会影响到和这个点相连的边,但我们不可以遍历这个点的所有边重新算贡献,这样菊花图会 TLE。
所以考虑将与一个点相连的边经过的总次数存在点上,修改时直接将总次数乘以 \(k\) 加上上次的答案即可。
时间复杂度 \(O(n+m)\)。
CODE
#include<bits/stdc++.h>
using namespace std;
#define ll long long
#define mod 998244353
const int maxn=5e5+5;
struct node
{
int to,nxt;
ll w;
}edge[maxn*2];
int n,tot,m;
int head[maxn];
ll ans,inv;
ll sz[maxn],c[maxn],fac[maxn];
ll ksm(ll x,ll y)
{
ll sum=1;
for(;y;y/=2,x=x*x%mod) if(y&1) sum=sum*x%mod;
return sum;
}
void add(int x,int y,int z)
{
tot++;
edge[tot].to=y;
edge[tot].nxt=head[x];
edge[tot].w=z;
head[x]=tot;
}
void dfs(int u,int f)
{
for(int i=head[u];i;i=edge[i].nxt)
{
int v=edge[i].to;
if(v==f) continue;
dfs(v,u);
sz[u]+=sz[v];
}
}
void dfs_ans(int u,int f)
{
for(int i=head[u];i;i=edge[i].nxt)
{
int v=edge[i].to;
if(v==f) continue;
ans=(ans+sz[v]*(sz[1]-sz[v])%mod*edge[i].w)%mod;
dfs_ans(v,u);
}
for(int i=head[u];i;i=edge[i].nxt)
{
int v=edge[i].to;
if(v!=f) c[u]=(c[u]+sz[v]*(sz[1]-sz[v])%mod)%mod;
else c[u]=(c[u]+sz[u]*(sz[1]-sz[u])%mod)%mod;
}
}
int main()
{
scanf("%d%d",&n,&m);
for(int i=1;i<n;i++)
{
int x,y,z;
scanf("%d%d%d",&x,&y,&z);
add(x,y,z);
add(y,x,z);
}
for(int i=1;i<=m;i++)
{
int x;
scanf("%d",&x);
sz[x]=1;
}
dfs(1,0);
dfs_ans(1,0);
fac[0]=1;
for(int i=1;i<=m;i++) fac[i]=fac[i-1]*i%mod;
inv=ksm(fac[m],mod-2);
int _;
scanf("%d",&_);
while(_--)
{
int x;
ll k;
scanf("%d%lld",&x,&k);
ans=(ans+c[x]*k)%mod;
printf("%lld\n",ans*inv%mod*2*fac[m-1]%mod);
}
}
第一次赛时切期望( ̄▽ ̄)~*
2023NOIP A层联测32 T3 sakuya的更多相关文章
- sql server CDC报错:超出存储过程、函数、触发器的最大嵌套层数(最大层为32)
sys.sp_MScdc_capture_job RAISERROR(22801, 10, -1) --原本 go sys.sp_MScdc_capture_job; go --修改后 ...
- 使 IIS 6.0 可以在 64 位 Windows 上运行 32 位应用程序 试图加载格式不正确的程序。
原文 使 IIS 6.0 可以在 64 位 Windows 上运行 32 位应用程序 试图加载格式不正确的程序. win7 64位操作系统上边运行IIS网站应用的时候,提示错误"试图加载格式 ...
- 经典网络LeNet5看卷积神经网络各层的维度变化
本文介绍以下几个CNN经典模型:Lenet(1986年).Alexnet(2012年).GoogleNet(2014年).VGG(2014年).Deep Residual Learning(2015年 ...
- MySQL Nested-Loop Join算法学习
不知不觉的玩了两年多的MySQL,发现很多人都说MySQL对比Oracle来说,优化器做的比较差,其实某种程度上来说确实是这样,但是毕竟MySQL才到5.7版本,Oracle都已经发展到12c了,今天 ...
- Fully Convolutional Networks for semantic Segmentation(深度学习经典论文翻译)
摘要 卷积网络在特征分层领域是非常强大的视觉模型.我们证明了经过端到端.像素到像素训练的卷积网络超过语义分割中最先进的技术.我们的核心观点是建立"全卷积"网络,输入任意尺寸,经过有 ...
- CNN & RNN 及一些常识知识(不断扩充中)
参考: http://blog.csdn.net/iamrichardwhite/article/details/51089199 一.神经网络的发展历史 五六十年代,提出感知机 八十年代,提出多层感 ...
- Deep Learning(深度学习)学习笔记整理
申明:本文非笔者原创,原文转载自:http://www.sigvc.org/bbs/thread-2187-1-3.html 4.2.初级(浅层)特征表示 既然像素级的特征表示方法没有作用,那怎样的表 ...
- 【转载】Deep Learning(深度学习)学习笔记整理
http://blog.csdn.net/zouxy09/article/details/8775360 一.概述 Artificial Intelligence,也就是人工智能,就像长生不老和星际漫 ...
- Deep Residual Learning for Image Recognition(MSRA-深度残差学习)
转自:http://blog.csdn.net/solomonlangrui/article/details/52455638 ABSTRACT: 神经网络的训练因其层次加深而 ...
- Deep Learning(深度学习)学习笔记整理系列之(七)
Deep Learning(深度学习)学习笔记整理系列 zouxy09@qq.com http://blog.csdn.net/zouxy09 作者:Zouxy version 1.0 2013-04 ...
随机推荐
- Vue使用v-for 循环生成tabs 标签页
实现最终效果: template代码: activeName:默认第一个显示的tab <el-tabs v-model="activeName" type="car ...
- WSL 使用
WSL 是一个为在 Windows 10 和 Windows Server 2019 以上能够原生运行 Linux 二进制可执行文件(ELF 格式)的兼容层.可以把它当作一个只能用命令行交互的 Lin ...
- 【测试平台开发】——01后端web开发框架Flask
官方中文地址:https://flask.net.cn/ 官方英文地址:https://flask.palletsprojects.com/en/2.1.x/ github地址:https://git ...
- SpringMVC:SpringMVC执行流程
目录 SpringMVC常用组件 DispatcherServlet初始化过程 ①初始化WebApplicationContext ②创建WebApplicationContext ③Dispatch ...
- vue导出word文档
具体需求 在我的疫情可视化项目中有一个功能需要导出word文档,在页面点击按钮后处理数据生成word文件,然后自动下载文档. 实现步骤 多番查询后发现前端导出word,使用docxtemplater较 ...
- hashmap组成原理及调用时机
整个HashMap中最重要的点有四个:初始化,数据寻址-hash方法,数据存储-put方法,扩容-resize方法,只要理解了这四个点的原理和调用时机,也就理解了整个HashMap的设计. 如果有疑惑 ...
- 八,SpringBoot Web 开发访问静态资源(附+详细源码剖析)
八,SpringBoot Web 开发访问静态资源(附+详细源码剖析) @ 目录 八,SpringBoot Web 开发访问静态资源(附+详细源码剖析) 1. 基本介绍 2. 快速入门 2.1 准备工 ...
- Redis 入门 - 图形化管理工具如何选择,最全分类
工欲善其事必先利其器,上一章Redis服务环境已经搭建完成,现在就需要一个趁手的工具,有个好工具可以做到事半功倍. Redis图形化管理工具五花八门,可供选择的很多,大家可以根据自己的需求应用场景进行 ...
- JS实现树形结构数据的模糊搜索查询
简单示例: 需求:输入 "题2" 字,希望树形结构中带有 "题2" 字的项显示,即使父节点没有,但子节点含有,父节点仍要返回. let arr = [ { ti ...
- JavaScript – Fetch
前言 上一篇 JavaScript – XMLHttpRequest 有提到 XMLHttpRequest 正在被 Fetch 取代,这篇就继续介绍 Fetch 吧. 参考 阮一峰 – Fetch A ...