传统题

交互题

二分

以CF1104D为例，题目要求猜测整数a（a≤1e9），每次查询(x,y)可获取x%a与y%a的大小关系，限制60次查询：

• 首先通过(1,2)、(2,4)、(4,8)…的倍增序列查询，快速定位a所在的区间（当首次出现y%a > x%a时，a必在(x,y]内）；
• 随后对该区间执行二分查询，最终在O(log n)次操作内确定a的值。

---

CF1354G要求在n个盒子中（含k个礼物和n-k个石头，石头重于礼物且均相同），50次操作内找到编号最小的礼物。解题的关键在于通过随机化降低问题复杂度：

• 随机选取20个物品与第一个盒子比较，若存在更重的物品，则第一个盒子必为礼物（因石头重于礼物）；
• 若无一更重，则第一个盒子为石头的概率达1-2^(-20)，可近似判定为石头；

此方法利用概率优势简化问题判定，将确定性问题转化为高概率可解问题，在资源受限场景中极具实用价值。

---

CF1672E要求通过n+30次查询，确定放置n个单词的最小面积方案（面积=宽度×行数）。解题分两阶段：

• 先用30次查询锁定关键长度r（一行可容纳的最大有效长度，含单词及空格）；
• 再根据行数k推算每行最小宽度floor(r/k)，利用r与k的约束关系排除无效方案。

二分注意好左闭右开还是左开右闭，

模拟退火算法：原理、实现与应用

模拟退火（Simulated Annealing，简称SA）是一种源于物理退火过程的启发式优化算法，因其能有效跳出局部最优解、在复杂解空间中寻找全局最优解的特性，被广泛应用于组合优化、函数极值求解等领域，尤其在算法竞赛的非传统题（如提交答案题）中表现突出。

算法核心

模拟退火的灵感来自于物理中金属退火过程：将金属加热至高温，使其原子自由运动，随后缓慢降温，原子逐渐趋于稳定的低能态。算法模拟这一过程，通过控制“温度”参数平衡“探索”与“收敛”：

• 高温阶段：允许随机搜索解空间，即使新解更差也有较大概率接受，以探索更广阔的解空间，避免陷入局部最优；
• 低温阶段：逐渐降低接受差解的概率，算法逐渐收敛，聚焦于当前最优解附近的精细搜索。

核心是：对于从当前解x到新解x'的转移，若新解更优（目标函数值更优），则必然接受；若新解更差，则以概率exp(-ΔE/T)接受（其中ΔE为目标函数变差量，T为当前温度）。温度越高，接受差解的概率越大。

算法流程

模拟退火的基本步骤可概括为：

1. 初始化

   • 设定初始温度T0（通常较高，如1000）、终止温度T_end（通常极低，如1e-8）、降温系数α（0.8~0.99，控制降温速度）；
   • 随机生成初始解x，计算其目标函数值f(x)。

2. 迭代搜索

   • 当温度T > T_end时，重复：
     a. 从当前解x出发，通过随机扰动生成新解x'（如交换、平移、翻转等操作，依问题而定）；
     b. 计算目标函数差值Δf = f(x') - f(x)（若求最小值，Δf < 0表示新解更优）；
     c. 根据Metropolis准则判断是否接受x'：
     • 若Δf < 0（更优），则接受x'，令x = x'；
     • 若Δf ≥ 0（更差），则生成[0,1)随机数r，若r < exp(-Δf/T)，则接受x'；
       d. 降低温度：T = T × α。

3. 终止
   当温度降至T_end，输出当前最优解。