hdu1150 Machine Schedule(最小点覆盖)

#include <iostream>
#include <stdio.h>
#include <math.h>
#include <algorithm>
#include <queue>
#include <stack>
#include <vector>
#include <string>
#include <string.h>
#include <map>
#include <set>
using namespace std;
/*
   题意:有2台机器加工零件,第一台有n种工作模式(n0,n1,n2...),第二台有m种工作模式(M0,M1,M2...)初始状态都在0状态,
   现在要加工k个零件 输入(i,x,y)意思就是第i个零件可以有第一台机器的x模式做或者第二台机器的y模式做,零件的加工顺序可以任意
   但,改变机器的状态需要花费1. 要求加工完零件需要的最小花费.
   
   分析:可以看出这道题是图论,有点像二分图,但是怎么建边?按加工的零件和两台机器建边显然不合理,
   分析可以知道,加工一个零件,要么选第一台机器的模式,要么选第二台机器的模式,选了一台就不能选第二台。
   可以想到按两台机器建边。加工一个工件用到的种模式就再这两种模式之间建边,这明显是二分图。可以想到最大二分匹配。
   但是和这道题有什么关联呢?分析发现,假设选了A机器的一种模式,则在B机器中对应加工这个零件的模式就不能选,意思就是
   这两种模式的边被覆盖了,要加工完零件,则需要把所有的边都覆盖完,这不就是最小点覆盖问题吗,它又等于最大二分匹配,
   所以要求的就是这个图的最大二分匹配,最后在注意零点模式,因为机器处于零状态,所以,连接两台机器零点的边都可以忽略不计
   否则会多算。
*/
int mat[100][100];
int v[110],p[110];
int n,m;
int match(int i)
{
    int j;
    for(j=1;j<m;j++)
    {
        if(v[j]==-1&&mat[i][j])
        {
            v[j]=1;
            if(p[j]==-1||match(p[j]))
            {
                p[j]=i;
                return 1;
            }
        }
    }
    return 0;
}
int hungry()
{
    int re=0;
    memset(p,-1,sizeof p);
    for(int i=1;i<n;i++)//由于机器初始状态在0,所以去掉0点
    {
        memset(v,-1,sizeof v);
        if(match(i))
        {
            re++;
        }
    }
    return  re;
}
int main()
{
    int k,x,y;
    int i,id;
    while(scanf("%d",&n)!=EOF)
    {
        if(n==0)break;
        scanf("%d%d",&m,&k);
        memset(mat,0,sizeof mat);
        for(i=1;i<=k;i++)
        {
            scanf("%d%d%d",&id,&x,&y);
            mat[x][y]=1;
        }
        int ans=hungry();
//        if(mat[0][0])
//            printf("%d\n",ans-1);
         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