HDU 3416 Marriage Match IV(最短路+最大流)

题意:给出n个点m条边的有向图,每条边有一个权值,问最多有多少条没有重边的最短路。

思路:首先要求出所有在最短路上的边,然后建图跑一边最大流。

现在问题变成了求所有在最短路上的边,这个可以从原点和终点进行两次spfa,

所有满足dist[0][u] + dist[1][v] + edge[u][v] == dist[0][end] 的边就是所求边。

#include<cstdio>
#include<cstring>
#include<cmath>
#include<cstdlib>
#include<iostream>
#include<algorithm>
#include<vector>
#include<map>
#include<queue>
#include<stack>
#include<string>
#include<map>
#include<set>
#include<ctime>
#define eps 1e-6
#define LL long long
#define pii pair<int, int>
//#pragma comment(linker, "/STACK:1024000000,1024000000")
using namespace std;

const int MAXN = 1100;
const int MAXM = 100010;
const int INF = 0x3f3f3f3f;
int n, m;
struct Edge1 {
    int to,next;
    int w;
} edge1[MAXM*2], edge2[MAXM*2];
int head1[MAXN],tot1, head2[MAXN], tot2;
void init1() {
    tot1 = tot2 = 0;
    memset(head1, -1, sizeof(head1));
    memset(head2, -1, sizeof(head2));
}
void addedge1(int u,int v,int w) {
    edge1[tot1].to = v;
    edge1[tot1].w = w;
    edge1[tot1].next = head1[u];
    head1[u] = tot1++;
}
void addedge2(int u,int v,int w) {
    edge2[tot2].to = v;
    edge2[tot2].w = w;
    edge2[tot2].next = head2[u];
    head2[u] = tot2++;
}
//spfa算法,vis1it数组记录x是否在队列中
bool vis1[MAXN]; //在队列标志
int cnt[MAXN]; //每个点的入队列次数
int dist1[2][MAXN];
bool spfa(int start, int n, int id, int *Head, Edge1 *Edge) {
	memset(vis1, 0, sizeof(vis1));
	for(int i = 1; i <= n; i++) dist1[id][i] = INF;
	vis1[start] = 1;
	dist1[id][start] = 0;
	queue<int> q;
	while(!q.empty()) q.pop();
	q.push(start);
	memset(cnt, 0, sizeof(cnt));
	cnt[start] = 1;
	while(!q.empty()) {
		int u = q.front();
		q.pop();
		vis1[u] = false;
		for(int i = Head[u]; i != -1; i = Edge[i].next) {
			Edge1 e = Edge[i];
			int v = e.to;
			if(dist1[id][v] > dist1[id][u]+e.w) {
				dist1[id][v] = dist1[id][u] + e.w;
				if(!vis1[v]) {
					vis1[v] = true;
					q.push(v);
					if(++cnt[v]>n) return false;
				}
			}
		}
	}
	return true;
}

//网络流
//最大流
//Dinic算法求最大流,一般效率很高
//s源点,t汇点,g,e全局变量,表示存边的邻接表
struct Edge
{
    int to, next, cap;
} edge[MAXM*2];
int s, t;
int head[MAXN], tot;

void addedge(int u, int v, int w)
{
    edge[tot].to = v;
    edge[tot].cap = w;
    edge[tot].next = head[u];
    head[u] = tot++;
    edge[tot].to = u;
    edge[tot].cap = 0;
    edge[tot].next = head[v];
    head[v] = tot++;
}

void init()
{
    memset(head, -1, sizeof(head));
    tot = 0;
}

queue<int> q;
bool vis[MAXN];
int dist[MAXN];
void bfs()
{
    memset(dist, 0, sizeof(dist));
    while(!q.empty()) q.pop();
    vis[s] = 1;
    q.push(s);
    while(!q.empty())
    {
        int u = q.front();
        q.pop();
        for(int i = head[u]; i!=-1; i=edge[i].next)
        {
            if(!edge[i].cap || vis[edge[i].to]) continue;
            q.push(edge[i].to);
            vis[edge[i].to] = 1;
            dist[edge[i].to] = dist[u] + 1;
        }
    }
}

int dfs(int u, int a)
{
    if(u==t) return a;
    int ret = 0;
    for(int i = head[u]; a&&i!=-1; i = edge[i].next)
    {
        if(edge[i].cap && dist[u]+1==dist[edge[i].to])
        {
            int tmp = dfs(edge[i].to, min(a, edge[i].cap));
            edge[i].cap -= tmp;
            edge[i^1].cap += tmp;
            a -= tmp;
            ret += tmp;
        }
    }
    return ret;
}

int maxflow()
{
    int ret = 0;
    while(true)
    {
        memset(vis, 0, sizeof(vis));
        bfs();
        if(!vis[t]) return ret;
        ret += dfs(s, INF);
    }
}


int main()
{
    //freopen("input.txt", "r", stdin);
	int T;
	cin >> T;
	while(T--)
    {
        init1();
        cin >> n >> m;
        for(int i = 1; i <= m; i++)
        {
            int u, v, w;
            scanf("%d%d%d", &u, &v, &w);
            addedge1(u, v, w);
            addedge2(v, u, w);
        }
        cin >> s >> t;
        spfa(s, n, 0, head1, edge1);
        spfa(t, n, 1, head2, edge2);
        init();
        for(int i = 1; i <= n; i++)
        {
            for(int e = head1[i]; e != -1; e = edge1[e].next)
            {
                if(dist1[0][i]+dist1[1][edge1[e].to]+edge1[e].w == dist1[0][t])
                    addedge(i, edge1[e].to, 1);
            }
        }
        int ans = maxflow();
        cout << ans << endl;
	}
    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