BZOJ 2115|WC 2010|Xor|高斯消元

8 篇文章 0 订阅
5 篇文章 0 订阅

无向联通图上的路径使其边权Xor和最大。

考虑一个路径,发现其由树边和非树边组成(SAM证明线性的时候也用到了这个)
树边可以很容易地xor出来啦,非树边呢?
由于非树边的两端点总在树上,因此1条非树边与一些树边形成环,因此环的xor值就很容易求得。

那么问题就变成了,在1到N的路径上取一些环,使得答案最大。参考HDU 3949。。

HNOI 2011的Xor期望。。

#include <cstdio>
#include <cstring>
#include <algorithm>
using namespace std;
#define FOR(i,j,k) for(i=j;i<=k;++i)
#define rep(i,j,k) for(i=j;i<k;++i)
typedef long long ll;
const int dx[] = {-1, 1, 0, 0};
const int dy[] = {0, 0, -1, 1};
const int N = 50005, M = 200005;
int v[M], p[M], h[N], vis[N], cnt = 0, na = 0;
ll f[M], d[N], w[M];
void add(int a, int b, ll c) {
    p[++cnt] = h[a]; v[cnt] = b; w[cnt] = c; h[a] = cnt;
}
void dfs(int x) {
    vis[x] = 1;
    for (int i = h[x]; i; i = p[i]) {
        if (!vis[v[i]]) d[v[i]] = d[x] ^ w[i], dfs(v[i]);
        else f[na++] = d[v[i]] ^ w[i] ^ d[x];
    }
}
int gauss(int n, int m) {
    int i = 0, j, k;
    for (ll p = 1ll << (n - 1); p; p >>= 1) {
        rep(k,i,m) if (f[k] & p) break;
        if (k == m) continue;
        swap(f[i], f[k]);
        rep(j,0,m) if (i != j && (f[j] & p))
            f[j] ^= f[i];
        ++i;
    }
    return i;
}
int main() {
    int i, n, a, b, t, m; ll ans, c;
    scanf("%d%d", &n, &m);
    while (m--) scanf("%d%d%lld", &a, &b, &c), add(a, b, c), add(b, a, c);
    dfs(1); t = gauss(62, na); ans = d[n];
    rep(i,0,t) if ((ans ^ f[i]) > ans) ans ^= f[i];
    printf("%lld", 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