最短路

Floyd

多源最短路
首先,最暴力的做法,三个for,如果i到j的距离大于i到k再到j的距离,也就是dis[i][j] > dis[i][k] + dis[k][j] 那么就更新dis[i][j]的值,复杂度O(n3),没什么用。

#include<bits/stdc++.h> //万能头文件                    /*多源最短路 Floyd算法*/
using namespace std;
ll edge[100][100];		//邻接矩阵		edge[i][j]表示i到j最短距离
int main(){
	int n,m;
	cin>>n>>m;						//n定点数,m路径数
	for(int i = 1; i <= n; i++){		
		for(int j = 1; j <= n; j++){		//预处理
			edge[i][j]=1e9;				//没有路径值为1e9;	
		}
		edge[i][i]=0;
	}	
	while(m--){						
		int u,v,w;
		cin>>u>>v>>w;
		edge[u][v]=edge[v][u]=w;			//无向图;
	}
	for(int k = 1; k <= n; k++){							//以顶点k松弛    i->k->j;
		for(int i = 1; i <= n; i++){
			for(int j = 1; j <= n; j++){
				//i->k,k->j有路径且路径长度小于i->j 更新值; 
				if(edge[i][k]!=1e9 && edge[k][j]!=1e9 && edge[i][j]>edge[i][k]+edge[k][j]){         
					edge[i][j]=edge[i][k]+edge[k][j];
				}
			}
		}
	}
	while(1){					//测试u->v的最短路径;
		int u,v;
		cin>>u>>v;
		cout<<edge[u][v]<<endl;
	}
	
	return 0;
}
Bellman-ford

Bellman-ford算法是求含负权图的单源最短路径算法,效率很低,但代码很容易写。即进行持续地松弛,每次松弛把每条边都更新一下,若n-1次松弛后还能更新,则说明图中有负环,无法得出结果,否则就成功完成。Bellman-ford算法有一个小优化:每次松弛先设一个标识flag,初值为FALSE,若有边更新则赋值为TRUE,最终如果还是FALSE则直接成功退出外循环。Bellman-ford算法浪费了许多时间做没有必要的松弛。

#include<bits/stdc++.h> //万能头文件        //可解决负权值的图,并判断是否有负环(负权回路):   /*单源最短路 Bellman-Ford算法*/
using namespace std;
int u[100],v[100],w[100],dst[100];		//u起点,v终点,w权值, dst[i]表示从源点到i点的最短路径;
int main(){
	int n,m;				//n个点,m条路;
	cin>>n>>m;
	for(int i = 1; i <= m; i++)
		cin>>u[i]>>v[i]>>w[i];
	int s,t;				//求s->t的最短路径;
	while(cin>>s>>t){
		for(int i = 1; i <= n; i++)
			dst[i]=1e9;
		dst[s]=0;
		for(int i = 1; i <= n-1; i++){		//正权图最多更新n-1次		
			int flag=1;							//记录本次有无松弛操作;
			for(int j = 1; j <= m; j++){
				if(dst[v[j]]>dst[u[j]]+w[j]){
					dst[v[j]]=dst[u[j]]+w[j];	//松弛;
					flag=0;						
				}
			}
			if(flag) break;       //优化(没有松弛直接退出循环);
		}
		int flag=1;						
		for(int i = 1; i <= m; i++){
			if(dst[v[i]]>dst[u[i]]+w[i]){		//if还能松弛,有负环;
				flag=0;
				break;
			}
		}
		if(flag)
			cout<<dst[t]<<endl;
		else
			cout<<"have negative circle"<<endl;
	}

	return 0;
}

一般解题也用不到。。。

迪杰斯特拉(Dijkstra)

dij算法体现贪心的思想,每次找一个与起点最近的点,对这个点连接的边进行松弛,本身复杂度O(n2),经过堆优化能到O(nlogn),直接起飞。
但不能解决负权图。
直接放堆优化代码。
链式前向星存图

#include <bits/stdc++.h>
#define ll long long
using namespace std;
struct edge{
	int to;		//该边指向的点
	int next;	//以u为起点的上一条边的编号
	int w;		//权值
}e[200005];
struct node{
	int w;
	int index;
	bool operator<(const node &a) const{
		return w>a.w;	//运算符重载
	}
}p;
int cnt = 0;	//边的编号
int head[100005];
int vis[100005]={0};
ll dis[100005]; 
int n,m,s;
void add(int u, int v, int w){
	e[cnt].to = v;
	e[cnt].w = w;
	e[cnt].next = head[u];	//以u为起点的上一条边的编号;
	head[u] = cnt++;		//以u为起点的最后一条边的编号;
}
void dij(){
	for(int i = 0; i <= n; i ++)
		dis[i] = 1e9;
	dis[s] = 0;
	priority_queue<node> q;
	q.push({0,s});
	while(!q.empty()){
		int u = q.top().index;
		int d = q.top().w;
		q.pop();
		if(dis[u]<d) continue;
		for(int i = head[u]; i != -1; i = e[i].next){
			int v = e[i].to;
			if(dis[v] > e[i].w + dis[u]){
				dis[v] = e[i].w + dis[u];
				q.push({dis[v], v});
			}
		}
	}
}
int main(){
	memset(head,-1,sizeof(head));
	scanf("%d %d %d", &n, &m, &s);
	for(int i = 0; i < m; i ++){
		int u,v,w;
		cin>>u>>v>>w;
		add(u,v,w);
		// add(v,u,w);
	}
	dij();
	for(int i = 1; i <= n; i ++){
		if(i > 1) printf(" ");
		printf("%d", dis[i]);
	}

	return 0;
}

vector存图

#include <bits/stdc++.h>
#define ll long long
using namespace std;
struct edge{
	int to,w;
};
vector<edge> g[100005];
int dst[100005]={0};
int main(){
	int n,m,s;
	cin>>n>>m>>s;
	while(m--){
		int u,v,w;
		cin>>u>>v>>w;
		g[u].push_back({v,w});
	}
	priority_queue<pair<int,int>, vector<pair<int,int> > ,greater<pair<int,int> > > q;
	for(int i = 1; i <= n; i++)
		dst[i]=1e9;
	dst[s]=0;
	q.push({0,s});
	while(!q.empty()){
		pair<int,int> p=q.top();
		q.pop();
		int u = p.second;
		int d = p.first;
		if(dst[u]<d) continue;
		for(int i = 0; i < g[u].size(); i++){
			edge e = g[u][i];
			if(dst[e.to]>d+e.w){
				dst[e.to]=d+e.w;
				q.push({dst[e.to],e.to});
			}
		}
	}
	for(int i = 1; i <= n; i++){
		if(i>1) cout<<" ";
		cout<<dst[i];
	}
	cout<<endl;

	return 0;
}
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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 2
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