[BZOJ2428][中山市选2011]杀人游戏(强连通)

传送门:http://www.lydsy.com/JudgeOnline/problem.php?id=2438


问题转化为,找最小的人找到所有的点。
发现一个点,就可以发现他所在的强连通分量的所有点,那么我们跑一遍强连通分量缩点,建一个新图,找到所有入度为0的分量的数量就是我们最少需要找的人。
但是!!还没有完!!
因为如果一个连通分量里面只有一个点,而且这个点的入度为0,且他连到的所有连通分量都有其他人可以连到他,这样的点,我们不需要去访问他,只需要把其他的点访问完自然可以知道他是谁,所以这种情况ans需要减去1!


code:

#include<cstdio>
#include<iostream>
#include<cstring>
#include<algorithm>
using namespace std;
const int maxn=100010;
const int maxm=300010;
struct node
{
    int x,y,next;
}a[maxm],b[maxm]; 
int len1,last1[maxn];
int len2,last2[maxn];
int ru[maxn],chu[maxn];
void ins1(int x,int y)
{
    len1++; a[len1].x=x;a[len1].y=y;
    a[len1].next=last1[x];last1[x]=len1;
}
void ins2(int x,int y)
{
    len2++; b[len2].x=x;b[len2].y=y;
    b[len2].next=last2[x];last2[x]=len2;
    ru[y]++;
}
int low[maxn],dfn[maxn],id;
int sta[maxn],top; bool insta[maxn];
int bl[maxn],scc,sum[maxn];
int n,m;
void dfs(int x)
{
    low[x]=dfn[x]=++id;
    sta[++top]=x; insta[x]=true;
    for(int k=last1[x];k;k=a[k].next)
    {
        int y=a[k].y;
        if(dfn[y]==-1)
        {
            dfs(y);
            low[x]=min(low[x],low[y]);
        }
        else 
        {
            if(insta[y]) 
                low[x]=min(low[x],dfn[y]);
        }
    }
    if(low[x]==dfn[x])
    {
        int i; scc++;
        do{
            i=sta[top--];
            bl[i]=scc;
            insta[i]=false;
            sum[scc]++;
        }while(i!=x);
    }
}  
bool vis[maxn];

void rebuild()
{
    memset(vis,false,sizeof(vis));//去重 
    for(int x=1;x<=n;x++)
    {
        for(int k=last1[x];k;k=a[k].next)
        {
            int y=a[k].y;
            int u=bl[x],v=bl[y];
            if(u!=v && vis[v]==false)
            {
                ins2(u,v);
                vis[v]=true;
            }
        }
        for(int k=last1[x];k;k=a[k].next)
        {
            int y=a[k].y;
            int u=bl[x],v=bl[y];
            if(u!=v)
            {
                vis[v]=false;
            }
        }
    }
}
bool check(int x)
{
    if(ru[x]!=0 || sum[x]!=1) return false;//如果一个点(联通分量)入度为0,且里面只有一个点 
    for(int k=last2[x];k;k=b[k].next)
    {
        int y=b[k].y;
        if(ru[y]<=1) return false;//并且他连出去的所有点都不止一个入度(就是不止他能连到) 
    }
    return true;//那么就不需要访问他就可以知道他是谁 
}
int main()
{
    scanf("%d%d",&n,&m);
    for(int i=1;i<=m;i++)
    {
        int u,v;scanf("%d%d",&u,&v);
        ins1(u,v);
    }
    len1=len2=scc=id=top=0;
    memset(dfn,-1,sizeof(dfn));
    for(int i=1;i<=n;i++)
        if(dfn[i]==-1)
            dfs(i);
    rebuild();
    int ans=0;
    for(int i=1;i<=scc;i++)
        if(ru[i]==0)
            ans++;
    for(int i=1;i<=scc;i++)
        if(ru[i]==0 && check(i))
        {
            ans--;
            break;
        }
    printf("%.6lf\n",1.0-(double)(ans)/double(n));
    return 0;
}
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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