poj1273(网络流最大流 EK算法&&dinic算法)

#include<stdlib.h>
#include<stdio.h>
#include<string.h>
#include<queue>
using namespace std;
#define N 210
#define INF 0x7FFFFFFF
int path[N],map[N][N],flow[N],start,end,ans;
int n,m;
queue<int> q;
int dfs()
{
    int i,j,t;
    while(!q.empty())q.pop();
    for(i=1;i<=m;i++)
    {
        path[i]=-1;
        flow[i]=0;
    }
    path[start]=0;flow[start]=INF;
    q.push(start);
   
    while(!q.empty())
    {
         t=q.front();
         q.pop();
         if(t==end)break;//??
         for(i=1;i<=m;i++)
         {
             if(i!=start&&path[i]==-1&&map[t][i])
             {
                 flow[i]=min(flow[t],map[t][i]);
                 q.push(i);
                 path[i]=t;
             }
         }
    }
    if(path[end]==-1)return -1;
    return flow[end];
}

void Edmond_Krpe()
{
     int now;
     int pre;
     int dis;
     while((dis=dfs())!=-1)
     {
         now=end;
         ans+=dis;
         while(now!=start)
         {
             pre =path[now];
             map[pre][now]-=dis;
             map[now][pre]+=dis;
             now=pre;
         }
     }
}

int main()
{
    int i,u,v,f;
    while(scanf("%d%d",&n,&m)!=EOF)
    {
       ans=0;
       memset(map,0,sizeof(map));
       for(i=1;i<=n;i++)
       {
           scanf("%d%d%d",&u,&v,&f);
           map[u][v]+=f;
       }
       start=1;end=m;
       Edmond_Krpe();
       printf("%d\n",ans);  
    }
    return 0;
}

/*
5 4
1 2 40
1 4 20
2 4 20
2 3 30
3 4 10
*/

以上是EK算法实现

下面用dinic算法实现,其实差不离,就是将EK中的path记录的路径在Dinic中用DFS分层图的方法去找

#include<stdio.h>
#include<stdlib.h>
#include<queue>
#include<string.h>
using namespace std;
#define N 205
#define inf 0x7FFFFFFF
int dis[N],map[N][N];
int n,m;
int start,end;
queue<int> q;
int min(int a,int b)
{return a<b?a:b;}
void init()
{
     for(int i=1;i<=n;i++)
         dis[i]=-1;
     dis[start]=0;
     while(!q.empty())q.pop();
     q.push(start);
}
int bfs()//看是否能增广
{
    init();
    int t;
    while(!q.empty())
    {
        t=q.front();
        q.pop();
        for(int i=1;i<=m;i++)
        {
            if(dis[i]<0&&map[t][i]>0)
            {
               dis[i]=dis[t]+1;
               q.push(i);
            }
        }
    }
    if(dis[end]>0)
    return 1;
    return 0;
}
int findDfs(int x,int low)//能增广就DFS找出路径
{
    int addflow;
    if(x==end)return low;
    for(int i=1;i<=m;i++)
    {
        if(map[x][i]>0
        &&dis[i]==dis[x]+1//i是否为x的下一层,不是的话放弃
        &&(addflow=findDfs(i,min(low,map[x][i]))))//总是寻找下一层的点并且联通的点,直到找到终点参考博客请点击
           {
              map[x][i]-=addflow;
              map[i][x]+=addflow;
              return addflow;//这个addflow一直是最小的可增广的路径
           }
    }
    return 0;
}
int main()
{
    int i,u,v,dist,ans;
    while(scanf("%d%d",&n,&m)!=EOF)
    {
       ans=0;start=1;end=m;
       memset(map,0,sizeof(map));
       for(i=1;i<=n;i++)
       {
          scanf("%d%d%d",&u,&v,&dist);
          map[u][v]+=dist;
       }
       while(bfs())
       {
           ans+=findDfs(start,inf);
       }
       printf("%d\n",ans);
    }
    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