BZOJ2208&&洛谷P4306 [JSOI2010]连通数

tarjan缩点+拓扑

这道题我对拍了4K组,发现是数组开小了,CNBB

一开始有一个在lg上能A在BZ上WA掉的想法(后来自己造的数据卡掉了),就是我们缩完点后,反向连边,假如a->b,那就连一条b->a的边,表示a能到b,那么拓扑的时候就可以直接将b的siz加到a上,然后自己造的数据是

4

0010

0010

1000

0110

然后发现这个操作不行,就换一种写法反向连边,然后假如新图中能到a的集合为E,且a->b,那么E肯定定能到A,然后就拓扑的时候,用a更新b就行了,最后统计答案,a能到b,那么b对a中每个点的贡献都是siz[b],那么对a的总贡献就是siz[a]*siz[b],a对其内部的贡献是siz[a]*siz[a]因为强联通分量内部互相可达

代码(方法一)

//By AcerMo
#include<cmath>
#include<stack>
#include<queue>
#include<cstdio>
#include<vector>
#include<cstring>
#include<iostream>
#include<algorithm>
using namespace std;
const int M=1000500;
int n,m; 
bool jud[2050][2050]; 
char map[2050][2050];
int cnt,to[M],nxt[M],head[M],in[M];
int low[M],dfn[M],vis[M],fa[M],siz[M],ind,ti; 
queue<int>q;
stack<int>s;
vector<int>v[M];
inline int read()
{
    int x=0;char ch=getchar();
    while (ch>'9'||ch<'0') ch=getchar();
    while (ch>='0'&&ch<='9') x=x*10+ch-'0',ch=getchar();
    return x; 
}
inline void add(int x,int y)
{
    to[++cnt]=y;nxt[cnt]=head[x];head[x]=cnt;
    return ;
}
inline void tarjan(int x)
{
    dfn[x]=low[x]=++ind;vis[x]=1;s.push(x);
    for (int i=head[x];i;i=nxt[i])
    {
        if (!dfn[to[i]])
            tarjan(to[i]),low[x]=min(low[x],low[to[i]]);
        else if (vis[to[i]])
            low[x]=min(low[x],dfn[to[i]]);
    }
    if (low[x]==dfn[x]) 
    {
        ti++;int u=-1;
        while (u!=x)
        {
            u=s.top();s.pop();
            vis[u]=0;fa[u]=ti;
            siz[ti]++;
        }
    }
    return ;
}
inline void built()
{
    for (int i=1;i<=n;i++)
    for (int k=head[i];k;k=nxt[k])
    if (fa[i]!=fa[to[k]]&&!jud[fa[to[k]]][fa[i]]) 
    v[fa[to[k]]].push_back(fa[i]),in[fa[i]]++,jud[fa[to[k]]][fa[i]]=1;
    return ;
}
inline void topsort()
{
    for (int i=1;i<=ti;i++) if (!in[i]) q.push(i);
    while (q.size())
    {
        int u=q.front();q.pop();
        for (int i=0;i<v[u].size();i++)
        {
            int go=v[u][i];
            in[go]--;siz[go]+=siz[u];
            if (!in[go]) q.push(go);
        }
    }
    return ;
} 
signed main()
{
    n=read();
    for (int i=1;i<=n;i++) scanf("%s",map[i]+1);
    for (int i=1;i<=n;i++)
    for (int k=1;k<=n;k++)
    if (map[i][k]=='1') add(i,k);
    for (int i=1;i<=n;i++)
    if (!dfn[i]) tarjan(i);
    built();topsort();int ans=0;
    for (int i=1;i<=n;i++) ans+=siz[fa[i]];
    cout<<ans;
    return 0;
}

代码(方法二)

//By AcerMo
#include<cmath>
#include<stack>
#include<queue>
#include<cstdio>
#include<vector>
#include<cstring>
#include<iostream>
#include<algorithm>
using namespace std;
const int M=4000500;
const int N=2050;
int n,m; 
char map[N][N];
bool ono[N][N];
int cnt,to[M],nxt[M],head[M],in[M];
int low[N],dfn[N],vis[N],fa[N],siz[N],ind,ti; 
queue<int>q;
stack<int>s;
vector<int>v[M];
inline int read()
{
	int x=0;char ch=getchar();
	while (ch>'9'||ch<'0') ch=getchar();
	while (ch>='0'&&ch<='9') x=x*10+ch-'0',ch=getchar();
	return x; 
}
inline void add(int x,int y)
{
	to[++cnt]=y;nxt[cnt]=head[x];head[x]=cnt;
	return ;
}
inline void tarjan(int x)
{
	dfn[x]=low[x]=++ind;vis[x]=1;s.push(x);
	for (int i=head[x];i;i=nxt[i])
	{
		if (!dfn[to[i]])
			tarjan(to[i]),low[x]=min(low[x],low[to[i]]);
		else if (vis[to[i]])
			low[x]=min(low[x],dfn[to[i]]);
	}
	if (low[x]==dfn[x]) 
	{
		ti++;int u=-1;
		while (u!=x)
		{
			u=s.top();s.pop();
			vis[u]=0;fa[u]=ti;
			siz[ti]++;
		}
	}
	return ;
}
inline void built()
{
	for (int i=1;i<=n;i++)
	for (int k=head[i];k;k=nxt[k])
	if (fa[i]!=fa[to[k]]) 
	v[fa[to[k]]].push_back(fa[i]),in[fa[i]]++,ono[fa[i]][fa[to[k]]]=1;
	return ;
}
inline void topsort()
{
	for (int i=1;i<=ti;i++) if (!in[i]) q.push(i);
	while (q.size())
	{
		int u=q.front();q.pop();
		for (int i=0;i<v[u].size();i++)
		{
			int go=v[u][i];
			in[go]--;ono[go][u]=1;
			for (int i=1;i<=ti;i++)
			if (ono[u][i]) ono[go][i]=1;
			if (!in[go]) q.push(go);
		}
	}
	return ;
} 
signed main()
{
	n=read();
	for (int i=1;i<=n;i++) scanf("%s",map[i]+1);
	for (int i=1;i<=n;i++)
	for (int k=1;k<=n;k++)
	if (map[i][k]=='1') add(i,k);
	for (int i=1;i<=n;i++)
	if (!dfn[i]) tarjan(i);
	built();topsort();int ans=0;
	for (int i=1;i<=ti;i++)
	for (int k=1;k<=ti;k++)
	if (ono[i][k]||i==k) ans+=(siz[k]*siz[i]);
	cout<<ans;
	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