汕头市队赛SRM 15 B (一道最小生成树的应用)

sxt SRM 15

为了加快社会主义现代化,建设新渔村,sxt决定给小渔村里每座建筑都连上互联网,方便未来随时随地网购西瓜肥料。

小渔村很大,有 N 座建筑,但地理位置偏僻,网络信号很差。

一座建筑有网,当且仅当满足以下至少一个条件:

1、给中国移动交宽带费,直接连网,花费为 A。

2、向另外一座有网的建筑,安装共享网线,花费为 B×两者曼哈顿距离。

现在,腾腾已经统计出了所有建筑的坐标。他想知道最少要多少费用才能达到目的。

【输入格式】

第一行:三个正整数,代表 N、A、B。

接下来 N 行:每行两个整数 X i 、Y i ,第 i 行代表第 i 座建筑的坐标。

【输出格式】

第一行:一个整数,代表答案。

【样例】

Input

3 3 2

1 1

0 1

0 0

Output

7

 

【数据范围】

30%的数据:N <= 3,A <= 50,B <= 5

60%的数据:N <= 100,A <= 1000,B <= 20

100%的数据:N <= 10^3 ,A <= 10^4 ,B <= 50,|Xi |,|Y i | < 2^15



其实一道不难的题啦

但是我自己乱搞的东西是错的。。(水了80分。。)

我是对每个联通块中的点去连其他的联通块(最小距离)

然后和A比较

但我的dis是和一个点的dis

而实际上是和一个联通块的

这实际上就是prim算法

然而我并没有发现。。

还有一个处理和A比较的套路方式就是

虚拟一个节点

然后从这个点连所有的点,边权为A

这样就可以处理A和B的比较了(都是套路QAQ)

这道题是稠密图啦

所以prim算法比那个对边排序的算法快(我不会拼那个单词。。)

#include<cstdio>
#include<cstring>
const int N=1e3+10;
struct node
{
	int x,y;
}s[N];
int map[N][N];
inline int abs(int x)
{
	return x>=0?x:-x;
}
int read()
{
	int ans=0;int f=1;
	char t=getchar();
	while(t<'0'||t>'9')
	{
		if(t=='-')	f=-1;
		t=getchar();
	}
	while(t>='0'&&t<='9')	ans=ans*10+t-'0',t=getchar();
	return ans*f;
}
int visit[N],dis[N];
int main()
{
	int n,A,B;
	scanf("%d %d %d",&n,&A,&B);
	for(int i=1;i<=n;i++)	s[i].x=read(),s[i].y=read();
	
	for(int i=1;i<=n;i++)		
	for(int j=1;j<=n;j++)
	map[i][j]=(abs(s[i].x-s[j].x)+abs(s[j].y-s[i].y))*B;
	
	for(int i=1;i<=n;i++)	map[0][i]=map[i][0]=A,dis[i]=A;
	
	dis[0]=0;visit[0]=1;
	int ans=0;
	for(int i=1;i<=n;i++)
	{
		int min=2*1e9,jj=0;
		for(int j=1;j<=n;j++)	if(!visit[j]&&dis[j]<min)	min=dis[j],jj=j;
		
		ans+=min;
		visit[jj]=1;
		dis[jj]=0;
		for(int j=1;j<=n;j++)	if(!visit[j]&&dis[j]>map[jj][j])	dis[j]=map[jj][j];
	}
	printf("%d\n",ans);
	return 0;
}

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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