POJ-1258 最小生成树

用了一下PRIM+二叉堆,开始时竟然和DIJKSTRA混了。

/*
 * hdu
 * mike-w
 * 2012-4-17
 */
#include<stdio.h>
#include<stdlib.h>
#include<string.h>
#define MAX_SIZE 512
#define HEAP_SIZE 12345

#ifndef true
#define true 1
#endif

typedef struct _node
{
	int id,dst;
}node;

int f[MAX_SIZE][MAX_SIZE];
int tag[MAX_SIZE];
int N;
node heap[HEAP_SIZE];
int heap_size;

int swap(node* e1, node *e2)
{
	node tmp;
	memmove(&tmp,e1,sizeof(node));
	memmove(e1,e2,sizeof(node));
	memmove(e2,&tmp,sizeof(node));
	return 0;
}

int heap_in(int id, int dist)
{
	if(heap_size==HEAP_SIZE)
		return -1;
	heap_size++;
	heap[heap_size].id=id;
	heap[heap_size].dst=dist;
	int x=heap_size;
	int p=x/2;
	while(p>0 && heap[p].dst>heap[x].dst)
		swap(heap+p,heap+x),x=p,p/=2;
	return 0;
}

int heap_out(int *id, int *dist)
{
	if(heap_size==0)
		return -1;
	*id=heap[1].id;
	*dist=heap[1].dst;
	swap(heap+1,heap+heap_size);
	heap_size--;
	int p=1,x;
	int lc,rc;
	while(true)
	{
		lc=2*p;
		rc=2*p+1;
		x=p;
		if(lc<=heap_size && heap[lc].dst<heap[x].dst)
			x=lc;
		if(rc<=heap_size && heap[rc].dst<heap[x].dst)
			x=rc;
		if(x==p)
			break;
		swap(heap+x,heap+p);
		p=x;
	}
	return 0;
}

int prim(int source)
{
	memset(tag,0,sizeof(tag));
	heap_size=0;
	heap_in(source,0);
	int cost=0;
	int x,d,i;
	while(heap_out(&x,&d)!=-1)
	{
		if(tag[x])
			continue;
		tag[x]=1;
		cost+=d;
		for(i=0;i<N;i++)
			if(!tag[i])
				heap_in(i,f[x][i]);
	}
	return cost;
}

int main(void)
{
#ifndef ONLINE_JUDGE
	freopen("in","r",stdin);
#endif
	int i,j,cost,tmp;
	while(scanf("%d",&N)!=EOF)
	{
		for(i=0;i<N;i++)
			for(j=0;j<N;j++)
				scanf("%d",f[i]+j);
		cost=99999999;
		for(i=0;i<1;i++)
		{
			tmp=prim(i);
			if(tmp<cost)
				cost=tmp;
		}
		printf("%d\n",cost);
	}
	return 0;
}


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值