二分图匹配

一、二分图匹配

定义
1、给定一个二分图G,在G的一个子图M中,M的边集{E}中的任何一条边都不依附于同一个节点。
(实际上也可以理解为,集合内没有点相连,集合间有点相连,且每个点只有一条边可以伸出。)
2、匹配边:被选择的边
3、增广路:一个未匹配边开始,交替匹配—未匹配—匹配。。。到另一条未匹配边结束的路。每次选择一条增广路将其取反可以将匹配数+1.
4、匹配:可以做动词,选择一条边将两个点匹配到一起。也可以作名词,表示一个匹配边集。
5、最大匹配:指在当前已完成的匹配下,无法再通过增加未完成匹配的边的方式来增加匹配的边数。最大匹配是所有极大匹配当中边数最大的一个匹配。选择这样的边数最大的子集称为图的最大匹配问题。
问题:求二分图的最大匹配
方法:匈牙利算法
算法思路:对于每一个点,我们把它加入匹配,然后寻找增广路,找到一条完整的增广路,将整条增广路取反,使匹配数加一。
模板

bool match(int u){
rep(i,1,n){
    if(v[i]||!m[u][i])continue;
    v[i]=1;
    if(!matching[i]||match(matching[i])){
        matching[i]=u;
        return 1;
    }
}
return 0;
}
void hungarian(){
    rep(i,1,l){
        memset(v,0,sizeof(v));
        if(match(i))ans++;
    }
    return;
}
最小路径覆盖

定义:在一个有向图当中,选取一些的路径,可以覆盖所有的点,并且每个点只和一条路径相关联。
可以理解为,在每条路径中,从起点走到终点,可以将图中的每一个点都经过一遍而不重复。
建图方式:每个点拆成两个点,a1,a2,如果有一条a-b的有向边,在新图中连一条a1-b2的边。
最小路径覆盖=点数-新图的最大匹配数。
证明:在新图中的每一条匹配可以理解为两个点可以建立一条路径,即路径数-1.

最小点覆盖

定义:二分图中,选取最少的点数,使这些点和所有的边都有关联(把所有的边的覆盖),叫做最小点覆盖。
最小点覆盖=最大匹配数
证明
反证法,如果在当前匹配中存在一条边没有被覆盖,说明它的两个顶点都没有被选取,即存在一条可行的匹配边,将其匹配即可。在这种情况下,这个匹配也就不是最大匹配,一直进行下去,就会变成最大匹配,同时所有边也会被覆盖。

最大独立点集

定义:在一个二分图中,选择一些顶点,使得所选择的点集中任意两个顶点之间没有边相连
最大独立点集=点数-最大匹配数。
(实际上是点数-最小顶点覆盖数。)
证明
反证法,因为是最小顶点覆盖,所以这时必定所有的边都至少有一个点被选中了。也就意味着不会再有其他的点互相连接。同时因为这是最小顶点覆盖,所以这是最大独立点集。

例题

1、春天来了
。。。贪心。。。
2、bzoj2744 朋友圈
首先a国的条件表示了你最多在他们国家只能选两个人,一奇一偶。
B国的话,偶数可以当朋友,奇数可以当朋友,有条件的奇偶可以当朋友。这个图的补图是一个二分图,其中的边表示不可以当朋友的人。那么它去除掉最小点覆盖后的子图就是所有可以互相当朋友的人。
那么我们枚举a国的选择情况,然后对于b国建图,跑匈牙利算法
代码

#include<cstdio>
#include<cstdlib>
#include<cstring>
#include<algorithm>
#include<iostream>
using namespace std;
#define maxn 250
#define maxm 3100
int A[maxn],B[maxm];
int len,lem,bf[maxm];
int ask[maxm],tim;//用时间戳
int ln[maxm],lm[maxm];
bool bk[maxm][maxm],bo[maxn][maxm];
//bk[i][j]存B国中i,j是否突破了奇偶限制而成为了朋友
int mymax(int x,int y){return (x>y)?x:y;}
bool ffind(int x)
{
int i;
for (i=1;i<=lem;i++)
 if (ask[i]!=tim && !bk[ln[x]][lm[i]])
//如果成为了朋友 那么补图中他们两个是不能连边的
 {
     ask[i]=tim;
     if (bf[i]==-1 || ffind(bf[i]))
     {
         bf[i]=x;
         return true;
     }
 }
return false;
}
bool count(int x)
{
int ret=0;
while (x)
{
    if (x&1) ret++;
    x>>=1;
}return ret&1;
}
int main()
{
//freopen("a.in","r",stdin);
//freopen("a.out","w",stdout);
int n,m,r,i,j,k,x,y,ia,num,ans;
scanf("%d%d%d",&n,&m,&r);
for (i=1;i<=n;i++)
 scanf("%d",&A[i]);
for (i=1;i<=m;i++)
 scanf("%d",&B[i]);
memset(bo,false,sizeof(bo));
memset(bk,false,sizeof(bk));
for (i=1;i<=r;i++)
{
    scanf("%d%d",&x,&y);
    bo[x][y]=true;
}
for (i=1;i<m;i++)
 for (j=i+1;j<=m;j++)
  if ((B[i]+B[j])&1)
  {
      if (count(B[i]|B[j])) bk[i][j]=bk[j][i]=true;
  }
memset(ask,0,sizeof(ask));
ans=tim=0;

len=lem=num=0;
for (i=1;i<=m;i++)
    if (B[i]&1) ln[++len]=i;
    else lm[++lem]=i;
memset(bf,-1,sizeof(bf));
for (i=1;i<=len;i++)
{
    tim++;
    if (ffind(i)) num++;
}
ans=mymax(ans,len+lem-num);

for (i=1;i<=n;i++)
{
    len=lem=num=0;
    for (j=1;j<=m;j++)
     if (bo[i][j])
     {
         if (B[j]&1) ln[++len]=j;
         else lm[++lem]=j;
     }
    memset(bf,-1,sizeof(bf));
    for (j=1;j<=len;j++)
    {
        tim++;
        if (ffind(j)) num++;
    }
    ans=mymax(ans,1+len+lem-num);
}

for (i=1;i<n;i++)
    for (j=i+1;j<=n;j++) if ((A[i]+A[j])&1)
    {
        len=lem=num=0;
        for (k=1;k<=m;k++)
         if (bo[i][k] && bo[j][k])
         {
             if (B[k]&1) ln[++len]=k;
             else lm[++lem]=k;
         }
        memset(bf,-1,sizeof(bf));
        for (k=1;k<=len;k++)
        {
            tim++;
            if (ffind(k)) num++;
        }
        ans=mymax(ans,2+len+lem-num);
    }
printf("%d\n",ans);
return 0;
}

cdoj1432
相邻的格子实际上可以理解为不可以同时被选择。
因为你摆了一个箱子,旁边那个格子也就被占住了,没有意义了。
于是连边,二分图(黑白棋盘染色)

#include<bits/stdc++.h>
#define MAXN 10005
using namespace std;
char s[105][105];
vector<int> g[MAXN];
int from[MAXN],tot;
bool use[MAXN];
int N;
bool match(int x) {
for(int i=0; i<g[x].size(); i++) {
    if(!use[g[x][i]]) {
        use[g[x][i]]=true;
        if(from[g[x][i]]==-1||match(from[g[x][i]])) {
            from[g[x][i]]=x;
            return true;
        }
    }
}
return false;
}
int hungary() {
tot=0;
memset(from,-1,sizeof(from));
for(int i=0; i<N; i++) {
    memset(use,0,sizeof(use));
    if(match(i))
        tot++;
}
return tot;
}
void init() {
for(int i=0; i<N; i++)
    g[i].clear();
}
int main() {
int n,m;
while(scanf("%d%d",&n,&m)!=EOF) {
    N=n*m;
    init();
    for(int i=0; i<n; i++)
        scanf("%s",s[i]);
    for(int i=0; i<n; i++) {
        for(int j=0; j<m-1; j++) {
            if(s[i][j]=='.'&&s[i][j+1]=='.') {
                int u=i*m+j;
                int v=u+1;
                g[u].push_back(v);
                g[v].push_back(u);
            }
        }
    }
    for(int i=0; i<m; i++) {
        for(int j=0; j<n-1; j++) {
            if(s[j][i]=='.'&&s[j+1][i]=='.') {
                int u=j*m+i;
                int v=(j+1)*m+i;
                g[u].push_back(v);
                g[v].push_back(u);
            }
        }
    }
    int ans=hungary();
    printf("%d\n",ans/2);
}
return 0;
}
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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