Coursera Algorithm Ⅱ week3 baseball

全部代码https://github.com/Joshmomel/Princeton_Algorithms/tree/baseball

Context

通过maxflow来计算哪只队伍不能夺冠
在这里插入图片描述

在这里插入图片描述

  1. g[i][j]代表i, j队伍还有多少场比赛
  2. 这些比赛都连到team vertices, 图中有4队伍
  3. t就是w[x] + r[x] - w[i], 代表i对最多能赢多少才不超过x队

对于图中w4+r4-w2代表49+27-69=7, Boston最多能赢6场比赛

代码

这次assignment的重点就是构建FlowNetwork

第一部分是构建g[i][j] 以及team vertices

    FlowNetwork flowNetwork = new FlowNetwork(this.vertices);
    List<String> computeTeams = teams.stream().filter(s -> !s.equals(team)).collect(Collectors.toList());

    int computeTeamLength = computeTeams.size();
    int counter = 0;
    for (int i = 0; i < computeTeamLength; i++) {
      for (int j = i + 1; j < computeTeamLength; j++) {
        counter += 1;
        flowNetwork.addEdge(new FlowEdge(0, counter, this.against(computeTeams.get(i), computeTeams.get(j))));
        flowNetwork.addEdge(new FlowEdge(counter, i + 1 + this.teamCombinations, Double.POSITIVE_INFINITY));
        flowNetwork.addEdge(new FlowEdge(counter, j + 1 + this.teamCombinations, Double.POSITIVE_INFINITY));
      }
    }

第二部分是把team vertices连接到t

    ArrayList<String> teamList = new ArrayList<>();
    int compareTeam = this.wins(teams.get(teams.indexOf(team))) + this.remaining(teams.get(teams.indexOf(team)));
    int i = 0;
    for (String computeTeam : computeTeams) {
      i += 1;
      if (compareTeam - this.wins(computeTeam) < 0) {
        teamList.add(computeTeam);
        return teamList;
      }
      flowNetwork.addEdge(new FlowEdge(i + this.teamCombinations, this.vertices - 1, compareTeam - this.wins(computeTeam)));
    }

第三部分是计算maxflow

    FordFulkerson maxflow = new FordFulkerson(flowNetwork, 0, this.vertices - 1);
    for (int v = 0; v < flowNetwork.V(); v++) {
      if (maxflow.inCut(v)) {
        int teamIndex = v - this.teamCombinations - 1;
        if (teamIndex >= 0) {
          String name = computeTeams.get(teamIndex);
          teamList.add(name);
        }
      }
    }

    return teamList.size() > 0 ? teamList : null;

其它部分包括numberOfTeams, teams, wins, losses, remaining, against 等可以参考这里

总结

这个作业重点是理解为什么maxflow可以解决这个问题, 并FlowNetwork做出来, 没有太多算法相关的内容

  • 0
    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