poj 2485

题目大意:

        简而言之,给出一个完全无向图,求其中所有生成树中最大权边最小的值。


输入可能看不懂就是:
     第i行 的分别j个数据对应了  i<->j边的权值。

输出这个最大权边最小值。


最小生成树算法。

#include <iostream>
#include <algorithm>
#define N 505

struct Edge
{
   int u,v;
   int dis;
   Edge():u(0),v(0),dis(0){
   };
   bool operator < (const Edge &a) const
   {
   	return dis<a.dis;
   }
}edges[N*N];
using namespace std;
int total=0;
int T,n;
int rank[N];
int father[N];

void MakeSet()
{
	for (int i=0;i<n;++i)
	{
		father[i]=i;
		rank[i]=0;
	}
}
int find(int x)
{
  while(x!=father[x])
    x=father[x];
  return x;	
}
bool Union(int x,int y)
{
	int px=find(x);
	int py=find(y);
	if(px!=py)
	{
		if(rank[px]>rank[py])
			father[py]=px;
		else
		  {
		  	 if(rank[px]==rank[py])
		  	 	rank[py]++;
		  	 father[px]=py;
		  }
		return 1;
	}
	return 0;
}
int Kruskal();


int main()
{
	cin>>T;
	while(T--)
	{
	  total=0;
	  scanf("%d",&n);
	  for (int i=0;i<n;++i)
	    for (int j=0;j<n;++j)	
	    {
	      edges[total].u=i;
	      edges[total].v=j;
	      scanf("%d",&edges[total].dis);
	      total++;
	    } 
		printf("%d\n",Kruskal());
		
	}
	return 0;
}
int Kruskal()
{
	MakeSet();
	sort(edges,edges+total);
	int ans=0;
	int cnt=1;
	for (int i=0;i<total;++i)
	{
		int v=edges[i].v;
		int u=edges[i].u;
		if(Union(v,u))
		{
			ans=max(ans,edges[i].dis);
			cnt++;
		}
		if(cnt==n)break;
	}
	return ans;
}

还有一点:!!!!!

第一次我用的是   std::cin, 时间是766Ms

第二次我用的是   scanf() ,时间是250Ms

在输入输出量巨大的时候输入流不能乱用,还是用格式输入输出好了。

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