luogu3830 [SHOI2012]随机树

传送门：洛谷

题目大意：对于一个只有一个节点的二叉树，一次操作随机将这棵树的叶节点的下方增加两个节点。$n-1$次操作后变为$n$个叶节点的二叉树。求：（1）叶节点平均深度的期望值（2）树深度的数学期望值

数据范围：$2\leq n\leq 100$

首先看第（1）问

设$f_i$为$i$个叶节点的二叉树的叶节点平均深度的期望值。

每次选择一个叶节点，扩展出两个新的叶节点，所以总的深度增加$f_{i-1}+2$

则$f_i=\frac{(i-1)*f_{i-1}+f_{i-1}+2}{i}=f_{i-1}+\frac{2}{i}$

所以

$$Ans=\sum_{i=2}^n\frac{2}{i}$$

然后是第（2）问，这个难度要稍微大一点。

我们发现这求的是$n$个数的最大值的期望，而第（1）问的是和的期望，而期望可加，却不能$\max$，就非常不好办了。

这时我们就需要用一个式子

$$E[X]=\sum_{i=1}^{n-1}P(X\geq i)$$

然后就可以转化为其中一个数$\geq i$的概率。

就很容易想到$dp[i][j]$表示$i$个叶节点的二叉树中深度$\geq j$，则左子树深度$\geq j-1$或右子树深度$\geq j-1$

所以

$$dp[i][j]=\frac{\sum_{k=1}^{i-1}(dp[k][j-1]+dp[i-k][j-1]-dp[k][j-1]*dp[i-k][j-1])}{i-1}$$

$$Ans=\sum_{i=1}^{n-1}dp[n][i]$$

然后就做完了。

 1 #include<cstdio>
 2 #define Rint register int
 3 using namespace std;
 4 const int N = 103;
 5 int q, n;
 6 double dp[N][N], ans;
 7 int main(){
 8     scanf("%d%d", &q, &n);
 9     if(q == 1)
10         for(Rint i = 2;i <= n;i ++) ans += 2.0 / i;
11     else {
12         for(Rint i = 1;i <= n;i ++) dp[i][0] = 1;
13         for(Rint i = 2;i <= n;i ++){
14             for(Rint j = 1;j < n;j ++){
15                 for(Rint k = 1;k < i;k ++)
16                     dp[i][j] += dp[k][j - 1] + dp[i - k][j - 1] - dp[k][j - 1] * dp[i - k][j - 1];
17                 dp[i][j] /= i - 1;
18             }
19         }
20         for(Rint i = 1;i < n;i ++) ans += dp[n][i];
21     }
22     printf("%.6f", ans);
23 }

Luogu3830

转载于:https://www.cnblogs.com/AThousandMoons/p/10595583.html

luogu3830 [SHOI2012]随机树相关推荐

Luogu P3830 [SHOI2012]随机树 | 期望 DP
题目链接第$1$问设$g(i)$为当有$i$个叶节点时,树的叶节点的平均深度的期望值. 假如现在有$(i-1)$个叶节点,现在要等概率地展开一个叶节点,那么展开的那个叶节点的期望深度为$g(i-1 ...
为什么极度随机树比随机森林更随机？这个极度随机的特性有什么好处？在训练阶段、极度随机数比随机森林快还是慢？
为什么极度随机树比随机森林更随机?这个极度随机的特性有什么好处?在训练阶段.极度随机数比随机森林快还是慢? ExtRa Trees是Extremely Randomized Trees的缩写,意思就是 ...
集成学习、Bagging算法、Bagging+Pasting、随机森林、极端随机树集成（Extra-trees）、特征重要度、包外评估
集成学习.Bagging算法.Bagging+Pasting.随机森林.极端随机树集成(Extra-trees).特征重要度.包外评估目录
ML之回归预测：利用十类机器学习算法(线性回归、kNN、SVM、决策树、随机森林、极端随机树、SGD、提升树、LightGBM、XGBoost)对波士顿数据集回归预测(模型评估、推理并导到csv)
ML之回归预测:利用十类机器学习算法(线性回归.kNN.SVM.决策树.随机森林.极端随机树.SGD.提升树.LightGBM.XGBoost)对波士顿数据集[13+1,506]回归预测(模型评估.推 ...
极度随机树ExtraTreesClassifier
极度随机树ExtraTreesClassifier 1 声明本文的数据来自网络,部分代码也有所参照,这里做了注释和延伸,旨在技术交流,如有冒犯之处请联系博主及时处理. 2 极度随机树ExtraTre ...
rrt算法流程图_RRT算法移动机器人路径规划(快速扩展随机树).pdf
( ) 第 34 卷第 5期南京理工大学学报自然科学版 Vo l. 34 No. 5 20 10年 10 月 Journal of N anj ing Un iversity of Scienc ...
随机森林(randomForest)和极限树或者叫做极端随机树(extraTree)，
随机森林:是一个包含多个决策树的分类器, 并且其输出的类别是由个别树输出的类别的众数而定.,随机森林对回归的结果在内部是取得平均但是并不是所有的回归都是取的平均,有些是取的和,以后会发博文来解释这样 ...
快速搜索随机树（RRT---Rapidly-exploring Random Trees）入门及在Matlab中演示
转载:http://blog.csdn.net/gpeng832/article/details/71249198?locationNum=1&fps=1 快速搜索随机树(RRT -Rap ...
【运动规划】RRT快速搜索随机树 Rapidly Exploring Random Tree
Randomized Kinodynamic Planning Steven M. LaValle James J. Kuffner, Jr. 1. Exploring the State Space ...

luogu3830 [SHOI2012]随机树

luogu3830 [SHOI2012]随机树相关推荐

最新文章

热门文章