蓝桥杯 最短路 C++算法训练 HERODING的蓝桥杯之路

资源限制
时间限制:1.0s 内存限制:256.0MB
问题描述

给定一个n个顶点,m条边的有向图(其中某些边权可能为负,但保证没有负环)。请你计算从1号点到其他点的最短路(顶点从1到n编号)。
输入格式

第一行两个整数n, m。

接下来的m行,每行有三个整数u, v, l,表示u到v有一条长度为l的边。
输出格式
共n-1行,第i行表示1号点到i+1号点的最短路。
样例输入
3 3
1 2 -1
2 3 -1
3 1 2
样例输出
-1
-2
数据规模与约定

对于10%的数据,n = 2,m = 2。

对于30%的数据,n <= 5,m <= 10。

对于100%的数据,1 <= n <= 20000,1 <= m <= 200000,-10000 <= l <= 10000,保证从任意顶点都能到达其他所有顶点。

解题思路:
看到“最短路”三字,我就知道那三大最短路径算法要从我的仓库中出来了:贝尔曼福特算法、迪杰斯特拉算法、弗洛伊德算法。再仔细一看,该题限定了没有负环,且有负数权重,那么最好的选择便是贝尔曼福特算法了。感兴趣的朋友们可以面向百度查看贝尔曼福特算法的具体实现过程,这里我就不多叙述了。该题需要注意的方面有:
1.最短距离初始值一定要设得大,不然结果很可能没有变化,都是设定的初始值。
2.建议用结构体实现边,用类的方式麻烦了。没那个必要。
3.注意更新距离的初始条件。

代码如下:

#include<bits/stdc++.h>

#define INF 65535

using namespace std;

struct Edge{
	int from;
	int to;
	int cost;
};


Edge es[200001];

int d[20001];

void shortest_path(int s, int n, int m) {
	int i;
	for (i = 0; i < n; i ++){
		d[i] = INF;
	}
	d[s] = 0;
	while(true) {
		bool update = false;
		for (i = 0; i < m; i ++) {
			Edge e = es[i];
			if(d[e.from - 1] != INF && d[e.to - 1] > d[e.from - 1] + e.cost) {
				d[e.to - 1] = d[e.from - 1] + e.cost;
				update = true;
			}
		}
		if (!update) break;
	}
	
}

int main() {
	int n, m;//n个顶点 m条边
	cin >> n >> m; 
	for (int i = 0; i < m; i ++) {
		cin >> es[i].from >> es[i].to >> es[i].cost;
	}
	shortest_path(0, n, m);
	for (int i = 1; i < n; i ++) {
		cout << d[i] << endl;
	}
	return 0;
} 
  • 2
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
GPT在NER(命名实体识别)任务上的表现相对较低。GPT是一个文本生成模型,而NER是一个序列标记任务,这两者的任务性质不同。为了弥补这种差距,研究人员提出了GPT-NER模型,将序列标记任务转换为GPT的生成任务。GPT-NER通过将需要提取的实体标记添加到生成的文本中来完成NER任务。此外,为了解决GPT-NER模型中的幻觉题,研究人员还提出了自我验证策略,即提示GPT-NER询自己提取的实体是否属于标记的实体标签。在多个广泛使用的数据集上,GPT-NER实现了与完全监督基线相当的性能,并且在小样本场景下表现优于监督模型。\[2\]\[3\] #### 引用[.reference_title] - *1* [GPT 应该存在吗?](https://blog.csdn.net/csdnnews/article/details/130939444)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [【论文精读】GPT-NER: Named Entity Recognition via Large Language Models](https://blog.csdn.net/HERODING23/article/details/130476395)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

HERODING77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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