F - Dragon Ball I Kattis - dragonball (最短路&&全排列)

题目:https://vjudge.z180.cn/problem/Kattis-dragonball1

题意:n个点,m条边,每条边有个权值,然后给7个点,求从1开始走,直到把7个点全部走完的最短路

题解:求1到所有点的最短路,然后分别求以这个7个点为起点的最短路,总共8个最短路,,因为总共7个点,所以枚举这7个点的所有排列方式就可以了。
这里用到了一个全排列函数:next_permutation
还用到了memset赋最大值,memset中赋值用0x3f,和inf,最后结果一样

#include <bits/stdc++.h>
using namespace std;
typedef long long ll;
const ll inf=0x3f3f3f3f3f3f3f3f;
const int N=1e6+9;
int head[N],ver[N],edge[N],nex[N];
ll d[10][N];
int n,m,tol,idx;
bool vis[N];
void add(int x,int y,int z)
{
    ver[++idx]=y,nex[idx]=head[x],edge[idx]=z,head[x]=idx;
}
void spfa(int pos)  //spfa模板
{
    queue<int>q;
    memset(vis,0,sizeof(vis));
    q.push(pos);
    vis[pos]=1;
    d[tol][pos]=0;  //tol是第几个最短路
    while(!q.empty())
    {
        int x=q.front();
        q.pop();
        vis[x]=0;
        for(int i=head[x]; i>=0; i=nex[i])
        {
            int y=ver[i],z=edge[i];
            if(d[tol][y]>d[tol][x]+z)
            {
                d[tol][y]=d[tol][x]+z;
                if(!vis[y])q.push(y),vis[y]=1;
            }
        }
    }
    tol++;  //tol++
}
int main()
{
    memset(head,-1,sizeof head);
    memset(d,0x3f,sizeof d);
    scanf("%d%d",&n,&m);
    for(int i=0; i<m; i++)  //建边
    {
        int a,b,t;
        scanf("%d%d%d",&a,&b,&t);
        add(a,b,t),add(b,a,t);
    }
    spfa(1);   //求1为起点的最短路
    int temp[10];
    int pai[]= {1,2,3,4,5,6,7}; //代表第几个最短路,然后枚举这几个最短路的排列方式
    for(int i=1; i<=7; i++) 
    {
        scanf("%d",&temp[i]);
        spfa(temp[i]);  //求以它为起点的最短路
    }
    ll minn=inf;
    do   //枚举这7个点的排列方式,即走法
    {
        ll s=d[0][temp[pai[0]]];     //第0个最短路(即以1为起点)
        s+=d[pai[0]][temp[pai[1]]];  //d的第一维存的是第几个最短路,就是pai的值
        s+=d[pai[1]][temp[pai[2]]];  //然后以这个为起点找它的下一条边
        s+=d[pai[2]][temp[pai[3]]];
        s+=d[pai[3]][temp[pai[4]]];
        s+=d[pai[4]][temp[pai[5]]];
        s+=d[pai[5]][temp[pai[6]]];
        minn=min(s,minn);  //求最小
    }
    while(next_permutation(pai,pai+7));//全排列函数
    if(minn<inf)printf("%lld\n",minn);
    else printf("-1\n");
    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