POJ 1273 && HDU 1532:Drainage Ditches

题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=1532

http://poj.org/problem?id=1273


题目翻译:

有N个管道,M个点,然后给出N个管道的容量,求点1到点M的最大流量。

最大流的入门题。代码参考网上的模板。



#include <iostream>
#include <queue>
#include <stdio.h>
#include <string.h>

using namespace std;

const int maxn = 205;
const int maxm = 205;
const int INF = 2*1e9+10;
int N,M,s,d;            ///这个题目中N是管道数,M是节点数
int flow[maxn][maxn];   ///u->v的流量
int cap[maxn][maxn];    ///u->v的容量
int minFlow[maxn];      ///源点s到节点i的路径上的最小残留量
int pre[maxn];          ///pre[i]记录i的前驱
int maxFlow;            ///记录最大流
void Edmonds_Karp()
{
    int u,v;
    maxFlow = 0;
    queue<int>qu;        ///使用队列,BFS找增广路径
    while(true)
    {
        memset(minFlow,0,sizeof(minFlow));
        minFlow[s] = INF;
        qu.push(s);
        while(!qu.empty())
        {
            u = qu.front();
            qu.pop();
            for(v = 1; v <= M; v++)
            {
                if(minFlow[v]==0 && flow[u][v] < cap[u][v])
                {
                    pre[v] = u;
                    qu.push(v);
                    minFlow[v] = min(minFlow[u],cap[u][v]-flow[u][v]);  ///求s->v路径上的最小残余量
                }
            }
        }
        if(minFlow[d] == 0)   ///如果s到d路径上的最小残余量是0的话,则当前结果就是最大流
            break;
        maxFlow = maxFlow + minFlow[d];
        for(v = M; v != s; v = pre[v])  ///从汇点顺着这条路径往回走
        {
            u = pre[v];
            flow[u][v] += minFlow[d];
            flow[v][u] -= minFlow[d];
        }
        for(int i = 1; i <= M; i++)
        {
            for(int j = 1; j <= M; j++)
                printf("%d  ",flow[i][j]);
            printf("\n");
        }
    }
    printf("%d\n",maxFlow);
}
int main()
{
    int u,v,w;
    while(~scanf("%d%d",&N,&M))
    {
        s = 1;
        d = M;
        memset(flow,0,sizeof(flow));
        memset(cap,0,sizeof(cap));
        while(N--)
        {
            scanf("%d%d%d",&u,&v,&w);
            cap[u][v] += w;
        }
        Edmonds_Karp();
    }
    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