link

很容易对于每个点列出式子

\(f_{x,y}=(f_{x,y-1}+f_{x,y}+f_{x,y+1}+f_{x+1,y})/4\)(边角转移类似,略)

这个转移是相互依赖的就gg了

不过你可以把这个转移移项,改成右侧没有\(f_{x,y}\)的式子

不过他还是相互依赖的

但是上下两行之间转移不是依赖的

所以你可以每一行跑一遍高斯消元

由于一行的转移是一条链

树上高斯消元可以做到 \(O(n)\) 或 \(O(n \log p)\)(模意义下逆元)

而链上的情况更简单,直接xjb搞一下就行了

具体是将\(f_{x,y-1}\)和\(f_{x,y}\)之间的线性关系搞出来,然后根据\(f_{x,y}\)的式子将\(f_{x,y+1}\)的线性关系也搞出来

最后你会发现\(f_{x,m-1}\)和\(f_{x,m}\)之间搞出了两个线性关系,就可以解出来了

然后你会发现前面的依次带入进去就行了

丑代码

注意特判m=1

#include <cstdio>
using namespace std; const int xkj = 998244353, inv2 = 499122177, inv3 = 332748118;
int n, m, val[1010], x[1010];
int k[1010], b[1010]; int qpow(int x, int y)
{
int res = 1;
for (x %= xkj; y > 0; y >>= 1, x = x * (long long)x % xkj)
if (y & 1) res = res * (long long)x % xkj;
return res;
} void gao()
{
if (m == 1) { val[1] += 2; return; }
k[2] = inv2, b[2] = (val[1] + 3) * (long long)inv2 % xkj;
for (int i = 2; i <= m - 1; i++) //x[i - 1] = k[i] * x[i] + b[i]
{
k[i + 1] = qpow((3 - k[i] + xkj) % xkj, xkj - 2);
b[i + 1] = (val[i] + b[i] + 4) % xkj * (long long)k[i + 1] % xkj;
}
x[m] = (val[m] + b[m] + 3) % xkj * (long long)qpow((2 - k[m] + xkj) % xkj, xkj - 2) % xkj;
for (int i = m - 1; i >= 1; i--) x[i] = (k[i + 1] * (long long)x[i + 1] % xkj + b[i + 1]) % xkj;
for (int i = 1; i <= m; i++) val[i] = x[i];
} int main()
{
int x, y;
scanf("%d%d%d%d", &n, &m, &x, &y); n -= x - 1;
for (int i = 2; i <= n; i++) gao();
printf("%d\n", val[y]);
return 0;
}

迷思:树上高斯消元

我们考虑随便拎出一个度数为1的点开始dfs1这个树,在回溯时得到儿子和父亲之间的线性关系

最后你会得到根节点和根节点的儿子之间的两个线性关系,你就可以得到这两个点的值

然后你再dfs2下去,由于线性关系已经确定就可以根据某个点的父亲的值算出这个点的值了

NOI.AC省选模拟赛第一场 T1 (树上高斯消元)的更多相关文章

  1. [noi.ac省选模拟赛]第11场题解集合

    题目   比赛界面. T1   比较简单.容易想到是求鱼竿的最大独立集.由于题目的鱼竿可以被分割为二分图,就可以想到最大匹配.   尝试建边之后会发现边的数量不小,但联系题目性质会发现对于一条鱼竿,它 ...

  2. [noi.ac省选模拟赛]第12场题解集合

    题目 比赛界面. T1 数据范围明示直接\(O(n^2)\)计算,问题就在如何快速计算. 树上路径统计通常会用到差分方法.这里有两棵树,因此我们可以做"差分套差分",在 A 树上对 ...

  3. [noi.ac省选模拟赛]第10场题解集合

    题目 比赛界面. T1 不难想到,对于一个与\(k\)根棍子连接的轨道,我们可以将它拆分成\(k+1\)个点,表示这条轨道不同的\(k+1\)段. 那么,棍子就成为了点与点之间的边.可以发现,按照棍子 ...

  4. [NOI.AC省选模拟赛3.30] Mas的童年 [二进制乱搞]

    题面 传送门 思路 这题其实蛮好想的......就是我考试的时候zz了,一直没有想到标记过的可以不再标记,总复杂度是$O(n)$ 首先我们求个前缀和,那么$ans_i=max(pre[j]+pre[i ...

  5. [NOI.AC省选模拟赛3.23] 集合 [数学]

    题面 传送门 一句话题意: 给定$n\leq 1e9,k\leq 1e7,T\leq 1e9$ 设全集$U=\lbrace 1,2,3,...n\rbrace $,求$(min_{x\in S}\lb ...

  6. [NOI.AC省选模拟赛3.31] 星辰大海 [半平面交]

    题面 传送门 思路 懒得解释了......也是比较简单的结论 但是自己看到几何就退缩了...... 下周之内写一个计算几何的学习笔记! Code #include<iostream> #i ...

  7. [NOI.AC省选模拟赛3.31] 附耳而至 [平面图+最小割]

    题面 传送门 思路 其实就是很明显的平面图模型. 不咕咕咕的平面图学习笔记 用最左转线求出对偶图的点,以及原图中每个边两侧的点是谁 建立网络流图: 源点连接至每一个对偶图点,权值为这个区域的光明能量 ...

  8. [NOI.AC省选模拟赛3.23] 染色 [点分治+BFS序]

    题面 传送门 重要思想 真的是没想到,我很久以来一直以为总会有应用的$BFS$序,最终居然是以这种方式出现在题目中 笔记:$BFS$序可以用来处理限制点对距离的题目(综合点分树使用) 思路 本题中首先 ...

  9. [noi.ac省选模拟赛20200606]赌怪

    题目   点这里看题目. 分析   先特判掉\(K=2\)的情况.   首先可以考虑到一个简单 DP :   \(f(i)\):前\(i\)张牌的最大贡献.   转移可以\(O(n^2)\)地枚举区间 ...

随机推荐

  1. freemaker 优缺点 及 应用配置

    通俗的讲,freemaker其实就是一个模板引擎.什么意思呢?——Java可以基于依赖库,然后在模板上进行数据更改(显示). 在模板中,您专注于如何呈现数据,而在模板外(后台业务代码),您将专注于呈现 ...

  2. Openssl rand命令

    一.简介 rand命令用来产生伪随机字节,随机数字产生器需要一个seed,在没有/dev/srandom系统下的解决方法是自己做一个~/.rnd文件 二.语法 openssl rand [-out f ...

  3. 使用python把图片存入数据库-乾颐堂

    一般情况下我们是把图片存储在文件系统中,而只在数据库中存储文件路径的,但是有时候也会有特殊的需求:把图片二进制存入数据库. 今天我们采用的是python+mysql的方式 MYSQL 是支持把图片存入 ...

  4. .net 自定义AOP,透明代理与真实代理

    using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.R ...

  5. SSL技术白皮书

    首页产品技术操作系统ComwareV5安全和VPN SSL技术白皮书 下载 收藏 打印 推荐 摘自:http://www.h3c.com/cn/d_200812/622834_30003_0.htm# ...

  6. Spring Boot☞ 使用Spring-data-jpa简化数据访问层

    效果图: 代码区: package com.wls.integrateplugs.jpa.primary.model; /** * Created by wls on 2017/8/24. */ im ...

  7. python report中文显示乱码

    环境:python2.7 测试框架: nose (1.3.7) nose-html-reporting (0.2.3) 问题:生成测试报告失败的时候,报告会抓取代码中的print,打开后看到的中文是乱 ...

  8. [GO]gtk的windows环境搭建

    首先需要安装一个命令行的工作,我们这里安装的是msys2,直接百度地址然后安装即可,我这里安装的是64位 安装好之后进行该软件源配置 修改mirrorlist.msys ## Primary ## m ...

  9. [GO]channel实现同步

    goroutine运行在相同的地址空间,因此访问共享内存必须 做好同步.goroutine奉行通过通信来共享内存,而不是共享内存通信 它跟map一样,使用make来创建,它是一个引用 ,而不是值传递 ...

  10. 特征工程 vs. 特征提取

    “特征工程”这个华丽的术语,它以尽可能容易地使模型达到良好性能的方式,来确保你的预测因子被编码到模型中.例如,如果你有一个日期字段作为一个预测因子,并且它在周末与平日的响应上有着很大的不同,那么以这种 ...