poj 2195 km算法初步

题意很明显,就是指在一个地图上面有n个人,有n个房间,然后要使得这些人能够到达一个房间,并且移动的步数最短。

看这道题目的人相信应该都是正在学习km算法的人。。

我推荐文库当中的这个资料,说实话,比较精炼,看起来不至于繁琐。。

转载:http://wenku.baidu.com/view/072015d133d4b14e852468a9.html

说说我对km算法的看法吧。。  之前一直想要搞清楚这个是什么样的原理,但是现在发现其实观察一下细节你就能发现这个算法的思想,特别是这个定标的设置,说实话我现在也不知道这个的原理是什么,但是基本上我的体会就是讲一个二分图当中的两堆顶点设为X、Y集合,因为是为了求其中的边权值最大的情况,所以只要选出X集合出发的最大的边权,那么记录为lx[i],表示第i个顶点最大的边权,那么最优解绝对要小于等于lx[i]的所有之和。然后先找大的边权,然后再找次大,一直推下去,到最后一定能找到最优解。我对这个算法感觉就是这样。我明白我差不多只学会小用一下算法,里面的东西肯定还有很多思想要完善,所以自己只能再接再厉了。。。

代码如下:

View Code
 1 #include<iostream>
 2 #include<string.h>
 3 #include<math.h>
 4 #define Inf 0x7fffffff 
 5 #define N 110
 6 using namespace std;
 7 int map[N][N],n,m,man_Count,home_Count;
 8 int lx[N],ly[N],visx[N],visy[N],match[N],lack;
 9 char temp[N];
10 struct node
11 {
12     int x,y;       
13 }home[N],man[N];
14 bool find(int u)
15 {
16      visx[u]=1;
17      for(int i=0;i<home_Count;i++)
18      {
19          if(!visy[i])
20          {
21              int t=map[u][i]-lx[u]-ly[i];
22              if(t==0)
23              {
24                  visy[i]=1;
25                  if(match[i]==-1||find(match[i]))
26                  {
27                     match[i]=u;
28                     return true;
29                  }
30              }
31              else
32              if(lack>t)lack=t;//这个是为找小一条边权做准备
33          }
34      }
35      return false;
36 }
37 void km()
38 {
39        memset(match,-1,sizeof(match));
40        memset(ly,0,sizeof(ly));
41        for(int i=0;i<man_Count;i++)
42        {
43           while(1)//只有找到最好的匹配的时候才能跳出循环
44           {
45              memset(visx,0,sizeof(visx));
46              memset(visy,0,sizeof(visy));
47              lack=Inf;
48              if(find(i))break;
49              for(int i=0;i<man_Count;i++)if(visx[i])lx[i]+=lack;
50              for(int i=0;i<home_Count;i++)if(visy[i])ly[i]-=lack;
51           }
52        }
53        return ;  
54 }
55 int main()
56 {
57    while(scanf("%d%d",&n,&m))
58    {
59       if(n==0&&m==0)break;
60       man_Count=home_Count=0;
61       for(int i=0;i<n;i++)
62       {
63          scanf("%s",temp);
64          for(int j=0;j<m;j++)
65          {
66             if(temp[j]=='H'){home[home_Count].x=i+1;home[home_Count++].y=j+1;}
67             if(temp[j]=='m'){man[man_Count].x=i+1;man[man_Count++].y=j+1;}
68          }
69       }
70       for(int i=0;i<man_Count;i++)
71       {
72          lx[i]=220;
73          for(int j=0;j<home_Count;j++)
74          {
75             map[i][j]=abs(man[i].x-home[j].x)+abs(man[i].y-home[j].y);
76             if(lx[i]>map[i][j])lx[i]=map[i][j];
77          }
78          for(int i=0;i<home_Count;i++)ly[i]=0;
79       }
80       int answer=0;
81       km();
82       for(int i=0;i<home_Count;i++)answer+=map[match[i]][i];
83       printf("%d\n",answer);
84    }
85    return 0;    
86 }

 

转载于:https://www.cnblogs.com/nuoyan2010/archive/2012/09/05/2672284.html

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