JZOJ 3782. 【NOIP2014模拟8.17】组队

题目

你的任务是将一群人分到两个队伍中,使得:
1、每个人都属于一个队伍。
2、每个队伍至少有一个人。
3、每个队伍的任意一个人都认识其他人。
4、两支队伍的人数尽可能接近。
这个任务可能有多组解,你可以输出任意一种。
注意:认识是单向的且没有传递性。
N≤100

题解

当时做的时候,直接暴力加点,维护两个队伍,最后微调两队中的人。
但这样是不行的。因为完全可能有可能x跟两个队伍的人都有不互相认识的,但若将两队人员进行微调,x是可以归入其中一队的。
上述算法没有考虑到有连续2增广的情况。
那么这时思路就要偏向01染色,二分图匹配,如果可以DP的话,可 f[i][j] f [ i ] [ j ] 为第一边i人第二边j人的状态。
如果将不互相认识的人连边,进行01染色,如果一条边的两个点同色,则无解。
有一种可行的方案,是设 f[i][j] f [ i ] [ j ] 表示做到第i个连通块,当前白点个数为j的0/1/2状态。0表示不可行,1表示该连通块所有点的颜色不改变,2表示表示该连通块所有点的颜色取反。
f[i][j] f [ i ] [ j ] 还可以维护整个连通块的状态。

代码

#include<iostream>
#include<cstdio>
#include<cstring>
#include<cmath>
#include<algorithm>
#define N 105
#define fo(i,a,b) for(i=a;i<=b;i++)
#define fd(i,a,b) for(i=a;i>=b;i--)
using namespace std;
struct note{
    int to,next;
};note edge[N*N];
struct ltk{
    int x,g0,g1;
};ltk c[N];
struct nxt{
    int x,y,z;
};nxt g[N][N];
int tot,head[N];
int i,j,k,l,n,m,x,y,z,x2,y2,cnt;
int map[N][N],a0[N],a1[N];
int f[N][N];
int col[N]; 
bool bz[N],ia;
void lb(int x,int y){
    edge[++tot].to=y;
    edge[tot].next=head[x];
    head[x]=tot;
}
void dfs(int x){
    if(col[x]==0)c[cnt].g0++;else c[cnt].g1++;
    int i;
    for(i=head[x];i;i=edge[i].next){
        if(ia)return;
        if(col[edge[i].to]==-1){
            col[edge[i].to]=col[x]^1;
            dfs(edge[i].to);
        }else
        if(!(col[edge[i].to]^col[x])){
            ia=1;
            return;
        }
    }
}
void dfs1(int x,int z){
    bz[x]=1;
    if(z==1){
        if(col[x])a0[++a0[0]]=x;
             else a1[++a1[0]]=x;
    }else{
        if(col[x])a1[++a1[0]]=x;
             else a0[++a0[0]]=x;
    }
    int i;
    for(i=head[x];i;i=edge[i].next)
        if(!bz[edge[i].to])dfs1(edge[i].to,z);
}
void prepare(){
    int i;ia=0;
    fo(i,1,n)col[i]=-1;
    fo(i,1,n)if(col[i]==-1){
        cnt++;
        c[cnt].x=i;
        col[i]=0;
        dfs(i);
        if(ia==1){
            printf("-1");
            return;
        }
    }
}
int main(){
    scanf("%d",&n);
    fo(i,1,n)
        while(1){
            scanf("%d",&x);
            if(!x)break;
            map[i][x]=1;
        }
    fo(i,1,n)
        fo(j,1,i-1)
        if(!(map[i][j]&&map[j][i])){
            lb(i,j);lb(j,i);
        }
    prepare();
    if(ia)return 0;
    f[0][0]=1;
    fo(i,1,cnt){
        fo(j,c[i].g0,n)
            if(f[i-1][j-c[i].g0]){
                f[i][j]=1;
                g[i][j].x=i-1;
                g[i][j].y=j-c[i].g0;
                g[i][j].z=f[i-1][j-c[i].g0];
            }
        fo(j,c[i].g1,n)
            if(f[i-1][j-c[i].g1]){
                f[i][j]=2;
                g[i][j].x=i-1;
                g[i][j].y=j-c[i].g1;
                g[i][j].z=f[i-1][j-c[i].g1];
            }
    }
    fd(i,n/2,0)if(f[cnt][i]){
        x=cnt;y=i;z=f[cnt][i];
        dfs1(c[x].x,z-1);
        while(g[x][y].x||g[x][y].y){ 
            x2=g[x][y].x;
            y2=g[x][y].y;
            z=g[x][y].z;
            x=x2,y=y2;
            dfs1(c[x].x,z-1);
        }
        break;
    }
    fo(i,0,a0[0])printf("%d ",a0[i]);putchar('\n');
    fo(i,0,a1[0])printf("%d ",a1[i]);
    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。
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