标签：最小值 使用 priority get == auto 理解 target set
本文从另一个角度理解Dijkstra算法，可能会与通常Dijkstra算法的讲解有一些区别。
最短路问题：给定有向图$G = (V, E)$，每条边形如$(x, y, w)$，其中$w$表示节点$x$至节点$y$的距离为$w \geq 0$。求节点$s$至节点$t$的最短路径长度。
Dijkstra算法：令$f(x)$表示节点$x$至节点$t$的最短路径长度。则
$$
f(x) = \min_{(x, y, w) \in E} f(y)+w,
$$
边界条件为$f(t) = 0$。
原理：我们可以通过迭代的方式计算出$f(x)$。初始状态取$f(x) = \infty (x \neq t)$以及$f(t) = 0$。迭代停止的条件为一次迭代后所有$f(x)$的值未发生变化。在迭代$n = |V|$次之后必然收敛。于是，我们可以得到一个$O(n(n+m))$的迭代算法，其中$m = |E|$。
优化的方式就是用一个堆模拟迭代。这个堆存放所有$f(y)$的值，每次取出最小的$f(y)$，那么这个$f(y)$在今后的迭代中不再变化，从而由它影响到的节点$x$必须满足$(x, y, w) \in E$，只需扩展$y$的所有反向边即可。因为每个节点只会从堆中取出一次，从而至多$O(n+m)$个值会因扩展而插入堆中，故复杂度为$O((n+m)\log (n+m))$。
注：使用Fibonacci堆可做到$O(m+n\log n)$。
CodeForces 1407E. Egor in the Republic of Dagestan
给定$n$个节点，$m$条边的有向图$G = (V, E)$，每条有向边形如$(x, y, c)$其中$c \in \{0, 1\}$。
要求给出一个节点染色方案$a_1, a_2, \dots, a_n \in \{0, 1\}$，使得对每个点$1 \leq x \leq n$，仅保留形如$(x, y, a_u)$的边后，节点$1$至节点$n$的最短路最大。$n, m \leq 10^5$。
解法：令$f(x)$表示节点$x$至节点$n$的最短路的最大可能值。则
$$
f(x) = \max_{c \in \{0, 1\}} \min_{(x, y, c) \in E} f(y)+1,
$$
边界条件为$f(n) = 0$。
初始状态为$f(x) = \infty (x \neq n)$以及$f(n) = 0$，迭代以上式子$n$次可收敛。从而得到一个$O(n(n+m))$的算法。
优化方式也是每次取出最小的$f(y)$来扩展即可，进而复杂度为$O((n+m)\log(n+m))$。由于这题边权为$1$，只需队列（BFS）而不需要堆即可取出最小值，故复杂度可做到$O(n+m)$。
参考代码：code
KickStart 2020 Round E. Golden Stone
给定$N$个节点，$M$条边的无向图$G = (V, E)$，一共有$S$种宝石，以及每个节点上拥有的宝石情况（拥有意味着无限资源）。
有$R$个打造方式，每个打造方式形如$(a_1, a_2, \dots, a_k) \to b$，其中$k \leq 3$，表示在同一个节点若集齐宝石$a_1, a_2, \dots, a_k$各一颗，可将他们打造成宝石$b$。
你可以以$1$单位花费，将一颗宝石从一个节点经过一条边运送到另一个节点。
求打造宝石$1$的最小花费。$N, M, S, R \leq 500$。
解法：令$f(x, c)$表示在节点$x$得到宝石$c$的最小花费。则
$$
f(x, c) = \min \begin{cases}
f(y, c) + 1 & (x, y) \in E \\
\sum_{i=1}^k f(x, a_i) & (a_1, a_2, \dots, a_k) \to b \land c \in \{a_i\}_{i=1}^k
\end{cases},
$$
边界条件为，$f(x, c) = 0$若节点$x$拥有宝石$c$。
初始状态为若节点$x$拥有宝石$c$则$f(x, c) = 0$否则$f(x, c) = \infty$，迭代以上式子$NS$次可收敛。从而得到一个$O((NS)^2(M+R))$的算法。
优化方式每次取出最小的$f(y, c)$扩展即可，时间复杂度为$O((NS+MS+NR)\log(NS+MS+NR))$。
参考代码：
void solve()
{
int n, m, s, r;
read(n, m, s, r);
auto v = arr<vector<int>>(n + 1);
for (int i = 1; i <= m; ++i)
{
int x, y;
read(x, y);
v[x].push_back(y);
v[y].push_back(x);
}
auto has = arr<vector<int>>(n + 1);
for (int i = 1; i <= n; ++i)
{
int k;
read(k);
vector<int> c(k);
input(c);
has[i] = c;
}
auto to = arr<vector<pair<int, vector<int>>>>(s + 1);
for (int i = 1; i <= r; ++i)
{
int k;
read(k);
vector<int> a(k);
input(a);
int b;
read(b);
for (int x = 0; x < k; ++x)
{
vector<int> tmp;
for (int y = 0; y < k; ++y) if (x != y) tmp.push_back(a[y]);
to[a[x]].push_back({ b, tmp });
}
}
const ll INF = 1000000000000LL;
auto f = arr<ll>(n + 1, s + 1);
for (int i = 1; i <= n; ++i)
for (int j = 1; j <= s; ++j)
f[i][j] = INF;
struct node
{
ll val;
int pos, color;
bool operator < (const node& rhs) const
{
return val > rhs.val;
}
};
priority_queue<node> q;
for (int i = 1; i <= n; ++i)
{
for (auto c : has[i]) q.push({ 0, i, c });
}
while (!q.empty())
{
auto cur = q.top();
q.pop();
if (freshmin(f[cur.pos][cur.color], cur.val))
{
for (auto nxt : v[cur.pos])
{
if (cur.val + 1 < INF) q.push({ cur.val + 1, nxt, cur.color });
}
for (auto& e : to[cur.color])
{
const int& b = e.first;
const vector<int>& a = e.second;
ll tmp = cur.val;
for (auto c : a) tmp += f[cur.pos][c];
if (tmp < INF) q.push({ tmp, cur.pos, b });
}
}
}
ll res = INF;
for (int i = 1; i <= n; ++i) freshmin(res, f[i][1]);
if (res == INF) res = -1;
writeln(res);
}
给你一个上下文无关文法$G = (V, \Sigma, R)$，其中
特别地，这个上下文无关文法不会产生空串，即$\epsilon \notin L(G)$。
同时给出$m$个字符串$s_1, s_2, \dots, s_m \in \{0, 1\}^+$。若字符串$s$是$t$的子串，我们记作$s \models t$。
对$2 \leq S < n$，令$G_S = (V, \Sigma, R, S)$表示$S$为初始符号的上下文无关文法，
约束：$|R| \leq 100, |s| = \sum_{i=1}^m |s_i| \leq 50$。其中，一个产生式$r$形如
$$r: a \to b_1 b_2 \dots b_k,$$
并记$|r| = k$。我们定义$|R| = \sum_{r \in R} |r|$。
解法：首先，我们将上下文无关文法$G$化为Chomsky范式，即每个转移$r$的长度$|r| \leq 2$。方法为，考虑转移$r: a \to b_1 b_2 \dots b_k$，其中$k \geq 3$，我们定义
$$
\begin{aligned}
a & \to b_1 c_1, \\
c_1 & \to b_2 c_2, \\
c_2 & \to b_3 c_3, \\
\dots \\
c_{k-3} & \to b_{k-2} c_{k-2}, \\
c_{k-2} & \to b_{k-1} b_k.
\end{aligned}
$$
这样转化后，转移式的规模仍为$O(|R|)$。以下则直接假设$|r| \in \{1, 2\}$。
接着，建立$m$个字符串$s_1, s_2, \dots, s_m$的AC自动机，则该自动机的状态集合为$\Gamma$，$|\Gamma| = O(|s|)$，并记$\downarrow$为其初始状态，$\delta: \Gamma \times \Sigma \to \Gamma$表示其转移函数。令$f(S, x, y)$表示符号$S$所能产生的所有字符串$L(G_S)$中的长度最小的字符串$t$的长度，使得$\delta(x, t) = y$且不经过接受状态。则我们要求$f(S, \downarrow, y)$，其中$y$不为接受状态。我们有
$$
f(S, x, y) = \min \begin{cases}
\min_u \{ f(b_1, x, u) + f(b_2, u, y) & S \to b_1b_2 \\
f(b_1, x, y) & S \to b_1
\end{cases},
$$
边界条件为对$a \in \{0, 1\}$，$f(a, x, y) = 1$若$\delta(x, a) = y$且$x$与$y$均不为接受状态。
状态数一共$O(|R||s|^2)$个，每轮迭代复杂度为$O(|R||s|^3)$，从而总复杂度为$O(|R|^2|s|^5)$，是不可接受的。
但我们仍可用堆优化，每次取出最小的$f(S, x, y)$扩展即可，而每个状态均摊扩展$O(|s|)$个新状态，从而复杂度为$O(|R||s|^3 \log(|R||s|^3))$。
代码：code
注：若限制堆中每个状态至多有$1$个最优扩展，则堆中至多有$O(|R||s|^2)$个元素，复杂度可降为$O(|R||s|^3 \log(|R||s|^2))$。
标签：最小值 使用 priority get == auto 理解 target set
原文地址：https://www.cnblogs.com/TinyWong/p/13638399.html
