第一篇：didi：县乡干部仕途最优路径
didi：县乡干部仕途最优路径
不到30岁就能做到正处级，充满着很多非常规的仕途路径和人为运作的嫌疑。中国官员和西方官员很大的不同是，中国人讲年历、论资格，要求多岗位的一线磨炼。这种资历往往成为官员的权威来源和晋升基础，这是奥巴马式的官员很难在中国出现的原因。
熟悉中国县乡政治的人都知道，现在县乡官场，有两个现象非常明显，一是过度竞争，二是隐形台阶。
过度竞争往往造成官员晋升时一步落后，步步落后，关键的机会就那么一两次，错过了，这辈子的仕途也就到头了—这使得县乡官员往往动用一切资源和手段来谋取早日晋升。
县乡官员的晋升空间实在太小。
一个县，也就100多个正科级实职岗位，30多个副处级实职岗位，4个正处级实职岗位。
僧多粥少的结果，就是在每一个级别之间和内部都衍生出大量的隐形台阶，比如乡镇的副科级隐形台阶，根据职务所含权力和资源的大小，以及排名先后，从小到大依次为：综治办主任、工会主席、人大副主席、乡镇长助理、武装部长、党委委员、副乡镇长、乡镇党委副书记——这是8级隐形台阶，而这些职务都是副科级。县里副处级的隐形台阶则包括：县政府党组成员、县长助理、副县长、统战部长、宣传部长、政法委书记、组织部长、纪委书记、常务副县长、县委副书记等。
过度竞争和隐形台阶演化的结果，是不仅不同级别的上位是晋升，就是隐形台阶的前移也是晋升。这就使得大部分县乡干部的政治生涯，都在隐形台阶上度过。
县领导晋升平均时间间隔进行过统计分析，结果是：他们从一般干部晋升到副科，需要8年；从副科晋升为正科，需要3.5年；从正科晋升到副处，需要7年；从副处晋升到正处，需要7年。
这样，1名大学毕业生，30岁成为副科，35岁成为正科，40岁成为副处，48岁成为正处，然后在正处岗位上再干几年退休。个别人可能成为副厅级干部，这就是大部分县乡领导干部的政治生命历程。需要说明的是，统计的县领导都是县乡干部晋升锦标赛中的优胜者，他们经历的隐形台阶相对少得多。否则，他们是到不了县领导位置的。
有深意的，因为乡镇一线是县乡干部的摇篮，而偏远的乡镇由于竞争小，更容易脱颖而出。共青团系统也是晋升捷径。大家都知道在县乡，共青团是最便捷的晋升通道，原因就是年龄小、级别高，从而在以后的晋升竞争中具备天然优势。最年轻代县长闫宁疑似有高人谋划，竟然在副科级的共青团县委副书记位置上晋升为正科级，这是不常见的高明手法，因为这之后调任正科级岗位就是平级调动，比直接提拔到正科级岗位容易多了。而没有相当的人脉和家族背景，这一步是很难实现的。
关键的一步又来了，乡长--乡党委书记，后提拔为副处级，这又是破格提拔。之后，一般至少要经历副县长、县委常委等台阶，至少常务副县长这个台阶是绕不过去的，直接提拔为县长。卫星上天，年轻的代县长诞生了。这些晋升路径，很可能需要在县乡官场摸爬滚打很多年的高人才能规划得出，而且每一步都未必少得了运作。
第二篇：最优连通路：破碎的路径、饥饿的牛,LIGNJA联合解题报告
最优连通路解题报告
先贴下面三道题：
破碎的路径(route.pas)
比尔去很多地方旅游过。他在旅游的同时留下了很多简短的旅行笔记。笔记的形式是这样的：
出发地 目的地
如下面就是三条合法的note: SwimmingPool OldTree BirdsNest Garage Garage SwimmingPool
在某一次搬家的时候，比尔的笔记本不小心散架了。于是他的笔记的顺序被完全打乱了。他想请你帮个忙，帮他把这些笔记的顺序整理好，先写的笔记在前面。幸运的是，同一个地方比尔至多只去过一次。也就是说，在这些笔记当中，一个地方至多出现两次，一次作为目的地，一次作为出发地。
输入：
第一行是一个整数ｎ，表示笔记的条数。N <= 12000。接下来有ｎ行，每行一条笔记。笔记的两个单词的长度都不会超过15，两个单词之间以一个空格分隔。
输出：
输出整理好顺序的笔记。
样例输入： SwimmingPool OldTree BirdsNest Garage Garage SwimmingPool
样例输出： BirdsNest Garage Garage SwimmingPool SwimmingPool OldTree 数据规模：
对于50%的数据，n <= 1000。对于100%的数据，n <= 12000。
饥饿的牛
源程序名
HUNGER.???(PAS,C,CPP)可执行文件名
HUNGER.EXE 输入文件名
HUNGER.IN 输出文件名
HUNGER.OUT
牛在饲料槽前排好了队。饲料槽依次用1到N(1<=N<=2000)编号。每天晚上，一头幸运的牛根据约翰的规则，吃其中一些槽里的饲料。
约翰提供B个区间的清单。一个区间是一对整数start-end,1<=start<=end<=N，表示一些连续的饲料槽，比如1-3,7-8,3-4等等。牛可以任意选择区间，但是牛选择的区间不能有重叠。
当然，牛希望自己能够吃得越多越好。给出一些区间，帮助这只牛找一些区间，使它能吃到最多的东西。
在上面的例子中，1-3和3-4是重叠的；聪明的牛选择{1-3，7-8}，这样可以吃到5个槽里的东西。
输入
第一行，整数B(1<=B<=1000)第2到B+1行，每行两个整数，表示一个区间，较小的端点在前面。输出
仅一个整数，表示最多能吃到多少个槽里的食物。
样例
HUNGER.IN 3 1 3 7 8 3 4
HUNGER.OUT 5
LIGNJA 源程序名
LIGNJA.???(PAS,C,CPP)可执行文件名
LIGNJA.EXE 输入文件名
LIGNJA.IN 输出文件名
LIGNJA.OUT
尼克每天上班之前都连接上英特网，接收他的上司发来的邮件，这些邮件包含了尼克主管的部门当天要完成的全部任务，每个任务由一个开始时刻与一个持续时间构成。
尼克的一个工作日为N分钟，从第一分钟开始到第N分钟结束。当尼克到达单位后他就开始干活。如果在同一时刻有多个任务需要完成，尼克可以任选其中的一个来做，而其余的则由他的同事完成，反之如果只有一个任务，则该任务必需由尼克去写成，假如某些任务开始时刻尼克正在工作，则这些任务也由尼克的同事完成。如果某任务于第P分钟开始，持续时间为T分钟，则该任务将在第P+T-1分钟结束。
写一个程序计算尼克应该如何选取任务，才能获得最大的空暇时间。
输入
输入数据第一行包含两个用空格隔开的整数N和K，1≤N≤10000，1≤K≤10000，N表示尼克的工作时间，单位为分，K表示任务总数。
接下来共有K行，每一行有两个用空格隔开的整数P和T，表示该任务从第P分钟开始，持续时间为T分钟，其中1≤P≤N，1≤P+T-1≤N。
输出
输出文件仅一行包含一个整数表示尼克可能获得的最大空暇时间。样例
LIGNJA.IN 15 6 1 2 1 6 4 11 8 5 8 1 11 5
LIGNJA.OUT 4 看完了上面的几道题，你是否觉得他们之间有什么联系呢？ 不管你觉不觉得，反正我是觉得了。
为什么我觉得呢，因为我用的是一种与众不同的算法，开始的时候我叫它——最长连通路
什么是最长连通路呢？就是最长的可以连通的路径。
虽然三道题的实现方式上有不同的地方，但是核心思想都是一样的，那就是最长连通路。
第一步都是建图。这个不说了，抽象出图来就是了，区间做点就是了。注意这里的长并不仅仅是长。其实可以改成最大获利连通路，但是这名字太土！
比如第一题，其实是个最长连通路的入门题，建好图，直接输出最长的连通路就是了。
第二题，这里的长就变成了那个区间的长度了，我们要的是最长的区间，可以形成通路的条件就是不重复，枚举起点一个记忆化搜索就是了。
第三题，这里的长就是短，最短，最短的区间，维护一下必做的状况就对了。
下面贴代码详解： 破碎的路径：route.pas type
place=record
name,tow:string[15];
tox:integer;
end;var
a:array[0..12001] of place;
v:array[0..12001] of boolean;
n,qs:integer;procedure init;begin
assign(input,'route.in');
assign(output,'route.out');
reset(input);
rewrite(output);end;
procedure terminate;begin
close(input);
close(output);
halt;end;
procedure sort(l,r:longint);var
i,j: longint;
x,y:place;begin
i:=l;
j:=r;
x:=a[(l+r)div 2];
repeat
while a[i].name while x.name if not(i>j)then begin y:=a[i]; a[i]:=a[j]; until i>j; if l if i procedure readdate;var i,j,k,w:integer; s:string;begin readln(n); for i:=1 to n do begin a[j]:=y; inc(i); j:=j-1;end; readln(s); k:=pos(' ',s); a[i].name:=copy(s,1,k-1); a[i].tow:=copy(s,k+1,length(s)-k); end;end; procedure find(x:integer); //建图 var i,j,k,l,r:longint;begin l:=1; r:=n; repeat k:=(l+r)div 2; if a[k].name if a[k].name>a[x].tow then r:=k-1; if a[k].name=a[x].tow then begin a[x].tox:=k;//存后继 v[k]:=true;//表示有前驱 break; end; until l>r;end; //二分查找到每一个点的下一个点，形成链式结构 procedure print(x:integer);var i,j,k:integer;begin i:=x; repeat write(a[i].name,' ',a[i].tow); writeln; i:=a[i].tox; until i=0;end;//输出最长路 procedure main;var i,j,k1,k2,x:integer; f1,f2,f3:boolean;begin fillchar(v,sizeof(v),false); sort(1,n); for i:=1 to n do find(i);//建图而已 for i:=1 to n do if not v[i] then x:=i;//查找最长路的起点 print(x);//做完了 end;begin init;readdate;main;terminate;end.Hunger.cpp: #include using namespace std;struct qujian { int b,e,w; }; int n,f[1002],v[2002],ans;qujian s[1002]; void init(){ freopen(“hunger.in”,“r”,stdin); freopen(“hunger.out”,“w”,stdout); ios::sync_with_stdio(false); //处理cin } void readdata(){ scanf(“%d”,&n); for(int i=1;i<=n;i++) scanf(“%d%d”,&s[i].b,&s[i].e); } void quicksort(int l,int r){ int x,i,j; qujian y; i=l;j=r; x=s[(l+r)/2].b; while(i<=j) { while(s[i].b i++; while(s[j].b>x) j--; if(i<=j) { y=s[i]; s[i]=s[j]; s[j]=y; i++; j--; } } if(i if(l } //手打快排，我弱了….int maxx(int x)的最长连通路 { int maxn=0; if(f[x]!=0)return f[x];//记忆化搜索 for(int i=x;i<=n;i++) if(s[x].e { maxn>?=(maxx(i)+s[i].w); } if(f[x]==0)f[x]=maxn; return maxn; } int main(){ init(); //以x点为起点 readdata(); bool flag; memset(v,0,sizeof(v)); memset(f,0,sizeof(f)); quicksort(1,n); /*for(int i=1;i<=n;i++) cout< int k=0; for(int i=1;i<=n;i++) s[i].w=s[i].e-s[i].b+1;//定边权值 for(int i=1;i<=n;i++) { ans>?=maxx(i)+s[i].w; f[i]+=s[i].w; } //枚举起点找最长连通路 printf(“%d”,ans); return 0; } 看到这里，你应该心里也有点明白了，这其实就是一个把其他类型得水题转化成搜索的水体的垃圾算法，它的名字就是——最优连通路。 但这种算法，在第一道题上的效率无疑是较高的。（至少比标程高。）记住吧，可能有一天能用到也说不定。 考虑驾驶员行为偏好的车辆最优路径选择的G1― TOPSIS法 【摘 要】以前的车辆最优路径选择大多是考虑路程最短或时间最少.然而在实际的情形往往是伴随着驾驶员不同的行为偏好.充分考虑了驾驶员在路径选择中的不同要求，将G1法引入到驾驶员路径选择影响因素的权重确定，同时发展出基于G1-TOPSIS法车辆最优路径方法，并通过应用例子说明了方法的有效性和实用性.【关键词】路径选择；群特征法；TOPSIS法 【Abstract】The previous optimal path selection of vehicles is mostly considered the shortest path or the least time.However，in practice，there is often a different behavior preference.The different requirements of the driver in the path selection are considered in this article，and the G1 method is used to determine the weight of the influence factors on the path selection.Further the optimal path method based on TOPSIS combining with G1 method is developed，which considers the driver's behavior preference.An example is used to show that the proposed method is effective and practical.【Key words】Path selection； G1 method； TOPSIS； Behavior preference 0 引言 现有的车辆路径选择问题大多是考虑路程最短或时间最少.然而随着路况的改善和车辆拥有率的提升，在路径选择方面只有将驾驶员的心理偏好考虑到导航系统才会赢得更多的市场占有率.现有的大多数交通流诱导系统在设计上还没有考虑此类驾驶员的特殊偏好要求.随着模糊数学以及多目标决策理论的发展，近年来已经有部分学者尝试利用模糊逻辑或近似推理等方法来解决该问题[1-2].驾驶员在进行车辆最优路径选择问题上，会考虑多个路径选择的影响因素[3]，如行驶时间、行驶距离、拥挤程度（路上车辆数、排队长度）、出行费用、行驶困难程度（道路宽度、车道数、行人和自行车数量等）和沿途景观（特别是对长途旅行）等.因而含有驾驶员行为偏好的车辆路径选择问题实质上也是一个复杂的多属性决策问题.近10年来，多属性决策方法已经得到了大量的研究和关注，方法已经被广泛应用到供应商合作伙伴选择[4]、企业信用评价[5]、水质评价[6]以及目标识别[7]等多个领域.已经有部分学者将多属性决策理论应用到含有驾驶员行为偏好的车辆路径选择问题，但是这方面的研究成果的还很少，有必要进行进一步的研究.文献[8-9]利用灰色系统理论研究了考虑驾驶员心理行为因素的自适应最优路径选择问题，取得了较好的效果.在确定影响因素（属性）权重的过程中，该文采用的层次分析法的思想.不过对于层次分析法，很多学者对其必须满足一致性提出了质疑，并且在成对比较矩阵的维数较大时，层次分析法的一致性矩阵构造以及修正都会遇到困难[9].文献[10]提出的属性权重确定的G1法可以有效地避免层次分析法的上述缺憾.由于驾驶员针对不同属性的偏好选择路径时，对不同的路径属性有不同的要求，且对其属性值存在一个可接受范围，此时区间数相比精确数而言，具有更好的刻画效果.为此本文针对存在驾驶员心理行为因素的最优路径选择问题进行研究，提出了一种基于G1法和M-TOPSIS法的能够反映驾驶员偏好的最优路径选择方法.1 最优路径选择的区间数型多属性决策模型应用例子 现假设某一驾驶员要从甲地驾车去乙地，有3条路径可以到达A1，A2，A3.该驾驶员在路径选择上，考虑的评价因素（属性）为：行驶时间o1、行驶距离o2、拥挤程度（路上车辆数、排队长度）o3、出行费用o4、行驶困难程度（道路宽度、车道数、行人和自行车数量等）o5和沿途景观（特别是对长途旅行）o6，其中沿途景观为效益性属性，其余均为成本型属性.这6个属性的重要程度排名为：o4？酆o6？酆o2？酆o3？酆o5？酆o1，各个路径在各评价属性上的属性评价值为区间数，参见表1.4 结束语 在驾驶员对影响路径选择因素有行为偏好的情况下，本文将G1法引入到路径选择因素权重的确定，可以克服层次分析法的一些不足.同时本文所提出的基于G1-TOPSIS法思想的最优路径选择方法计算简单，易于利用Matlab语言程序化操作，有利于拓展智能交通流诱导系统的功能，以满足不同驾驶员个性化的需求，带来更大的需求空间.【参考文献】 [1]孙燕，陈森发，黄昆鸟.基于灰色评价理论的自适应最优路径选择[J].中国公路学报，2003，16（4）：87-90.[2]Pang K.H.，Takabashi，K.，Yokota，T.，Takenaga，H.Adaptive route selection for dynamic route guidance system based on fuzzyneural approaches[J].IEEE Transactions on Vehicular Technology，1999，48（6）：2028-2041.[3]韦增欣，陈进来，罗朝晖.基于驾驶员偏好的最优路径选择[J].交通运输系统工程与信息，2010，10（6）：141-144.[4]白荣，崔炳谋.TOPSIS在供应商选择中的应用[J].铁道运输与经济，2006，28（9）：58-60.[5]罗勇，陈治亚.基于模糊综合法构建物流企业客户信用评价指标体系[J].华东交通大学学报，2015，32（2）：95-102.[6]Ren Haiping Zhou，Hui.Application of variable weight method to water quality evaluation[J].Advance Journal of Food Science and Technology，2015，7（10）：756-761.[7]Ren Haiping，Yang Lianwu.Multi-sensor target recognition based on VIKOR [J]，Sensors and Transducers，2014，156（9）：130-135.[8]孙燕，陈森发，亓霞，等.基于灰色系统理论的最优路径选择方法[J].土木工程学报，2003，36（1）：94-98.[9]范丽，孙燕.灰关联决策模型在最优路径选择中的应用[J].交通运输工程与信息学报，2008，6（2）：91-95.[10]郭亚军.综合评价理论与方法[M].北京：科学出版社，2002.[11]徐泽水求解不确定型多属性决策问题的一种新方法[J].系统工程学报，2002，17（2）：177-181.[12]张尧，樊治平.部分指标权重信息下的区间数多指标决策方法[J].哈尔滨工业大学学报，2008，40（10）：1672-1676.[责任编辑：杨玉洁]第三篇：考虑驾驶员行为偏好的车辆最优路径选择的G1―TOPSIS法
点击咨询 