Foj 2173 Nostop

题目如下:

Description

M国有N个城市,H条单向的道路,AekdyCoin从编号为1的城市出发,每经过一条道路要花一个单位的时间。假设他出发的时刻为0,他需要在K时刻到达编号为N的城市。并且,AekdyCoin不会在一个城市停留,每到一个城市他要立刻往下一个城市出发,最后在K时刻时他必须在城市N。虽然AekdyCoin经过任意一条道路的花费的时间都是1,但是每条道路的过路费不一定相同。现给出每条道路的过路费,问AekdyCoin从编号为1的城市出发,在K时刻到达编号为N的城市最小需要花费多少钱?注意AekdyCoin可以经过同一个城市任意多次,包括城市N。

Input

第一行输入一个整数T表示数据组数,接下来输入T组数据。对于每组数据,第一行输入三个整数N,H,K(1<=N<=50,1<=H<=3000,1<=K<=1000000000),接下来输入H行,每行三个整数u、v、cost(1<=u,v<=n,1<=cost<=1000000),表示从u到v过路费为cost的一条单行道。

Output

对于每组数据输出一行一个整数表示最小花费,若无法在K时刻到达城市N,则输出-1。

Sample Input

15 5 31 2 12 5 11 3 103 4 104 5 10

Sample Output

30


题意就不赘述了,说一下大致思路吧,重点解释一下为什么这里能用floyd进行加速

思路:求出来k=1时的任意两点最短路,其他初始化为inf,然后把它设为初始矩阵,然后进行矩阵加速。矩阵加速我应该会在省赛之后再详细讲一下。

重点解释一下为什么能用floyd进行矩阵加速以及加速的办法:

我们用dist[i][j]代表i,j之间的最小花费

我们假设我们已经知道t步时任意dist[i][j]的值(当然,i,j无法通过t步到达dist[i][j]=inf)那么t*2步的最小花费是可以从这个状态转移过来的:t*2步dist[i][j]的值=t步时的min(dist[i][k]+dist[k][j]);即:通过t步从i到达k,再通过t步从k到达j;

那么读者可能会问:为什么最小值不可能时通过a步从i到f点通过t*2-a步从f到达j点呢?重点就在这里!,a步到达f点的值dist[i][f],必然等于某一个t步的dist[i][k];(如果a小于t,它总得往前跑两步吧~这样往前跑时a不就会增加到t同时也到达了一个新点k嘛(当然,k是有可能是和f相等的),而如果a大于t同理)

剩下的就很好理解了。

代码如下:

#include <cstdio>
#include <string.h>
#include <iostream>
#include <algorithm>
const int maxn=100;
#define LL long long
#define inf 100000000000000000
using namespace std;
struct mat{
    LL m[maxn][maxn];
};
mat dist;
int n,m;
mat quick(mat A,mat B){
    mat temp;
    for(int i=1;i<=n;i++){
        for(int j=1;j<=n;j++)temp.m[i][j]=inf;
    }
    for(int k=1;k<=n;k++){
        for(int i=1;i<=n;i++){
            for(int j=1;j<=n;j++){
                temp.m[i][j]=min(temp.m[i][j],A.m[i][k]+B.m[k][j]);
            }
        }
    }
    return temp;
}
void solve(int k){
    mat ans;
    for(int i=1;i<=n;i++){
        for(int j=1;j<=n;j++)ans.m[i][j]=dist.m[i][j];
    }
    k--;
    while(k){
       // printf("**%lld ",ans.m[1][n]);
        if(k%2){
            ans=quick(ans,dist);
        }
        dist=quick(dist,dist);
        k>>=1;
    }
    if(ans.m[1][n]!=inf)cout<<ans.m[1][n]<<endl;
    else cout<<"-1"<<endl;
}
int main(){
    int test;
    scanf("%d",&test);
    while(test--){
        int k;
        scanf("%d%d%d",&n,&m,&k);
        for(int i=1;i<=n;i++) {
            for(int j=1;j<=n;j++)dist.m[i][j]=inf;
        }
        for(int i=1;i<=m;i++){
            int s,e;
            LL v;
            cin>>s>>e>>v;
            dist.m[s][e]=min(dist.m[s][e],v);
           // dist.m[e][s]=min(dist.m[e][s],v);
        }
        solve(k);
    }
}

另外注意这个oj比较坑,我不知道到底该用%I64d还是%lld,所以干脆用了cin和cout

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 1
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