[Luogu P4206] [BZOJ 1415] [NOI2005]聪聪与可可

22 篇文章 0 订阅
9 篇文章 0 订阅
洛谷传送门
BZOJ传送门

题目描述

在一个魔法森林里,住着一只聪明的小猫聪聪和一只可爱的小老鼠可可。虽 然灰姑娘非常喜欢她们俩,但是,聪聪终究是一只猫,而可可终究是一只老鼠, 同样不变的是,聪聪成天想着要吃掉可可。

一天,聪聪意外得到了一台非常有用的机器,据说是叫 GPS,对可可能准确 的定位。有了这台机器,聪聪要吃可可就易如反掌了。于是,聪聪准备马上出发, 去找可可。而可怜的可可还不知道大难即将临头,仍在森林里无忧无虑的玩耍。 小兔子乖乖听到这件事,马上向灰姑娘报告。灰姑娘决定尽快阻止聪聪,拯救可 可,可她不知道还有没有足够的时间。

整个森林可以认为是一个无向图,图中有 N N N 个美丽的景点,景点从 1 1 1 N N N 编号。小动物们都只在景点休息、玩耍。在景点之间有一些路连接。

当聪聪得到 GPS 时,可可正在景点 M M M( M ≤ N M≤N MN)处。以后的每个时间单位,可可 都会选择去相邻的景点(可能有多个)中的一个或停留在原景点不动。而去这些地方所发生的概率是相等的。假设有 P P P 个景点与景点 M 相邻,它们分别是景点 R、 景点 S,……景点 Q,在时刻 T T T 可可处在景点 M,则在( T + 1 T+1 T+1 )时刻,可可有 1 / ( 1 + P ) 1/(1 +P) 1/(1+P) 的可能在景点 R,有 1 / ( 1 + P ) 1/(1 +P) 1/(1+P) 的可能在景点 S,……,有 1 / ( 1 + P ) 1/(1 +P) 1/(1+P) 的可能在景点 Q,还有 1 / ( 1 + P ) 1/(1 +P) 1/(1+P)的可能停在景点 M

我们知道,聪聪是很聪明的,所以,当她在景点 C C C 时,她会选一个更靠近 可可的景点,如果这样的景点有多个,她会选一个标号最小的景点。由于聪聪太 想吃掉可可了,如果走完第一步以后仍然没吃到可可,她还可以在本段时间内再 向可可走近一步。

在每个时间单位,假设聪聪先走,可可后走。在某一时刻,若聪聪和可可位 于同一个景点,则可怜的可可就被吃掉了。

灰姑娘想知道,平均情况下,聪聪几步就可能吃到可可。而你需要帮助灰姑娘尽快的找到答案。

输入输出格式

输入格式:

数据的第 1 1 1 行为两个整数 N N N E E E,以空格分隔,分别表示森林中的景点数和连接相邻景点的路的条数。

2 2 2 行包含两个整数 C C C M M M,以空格分隔,分别表示初始时聪聪和可可所在的景点的编号。

接下来 E E E 行,每行两个整数,第 i + 2 i+2 i+2 行的两个整数 A i A_i Ai B i B_i Bi表示景点 A i A_i Ai和景点 B i B_i Bi 之间有一条路。 所有的路都是无向的,即:如果能从 A A A 走到 B B B,就可以从 B B B 走到 A A A

输入保证任何两个景点之间不会有多于一条路直接相连,且聪聪和可可之间必有路直接或间接的相连。

输出格式:

输出 1 个实数,四舍五入保留三位小数,表示平均多少个时间单位后聪聪会把可可吃掉。

输入输出样例

输入样例#1:
4 3 
1 4 
1 2 
2 3 
3 4
输出样例#1:
1.500 
输入样例#2:
9 9 
9 3 
1 2 
2 3 
3 4 
4 5 
3 6 
4 6 
4 7 
7 8 
8 9
输出样例#2:
2.167

说明

【样例说明 1】

开始时,聪聪和可可分别在景点 1 1 1 和景点 4 4 4

第一个时刻,聪聪先走,她向更靠近可可(景点 4 4 4)的景点走动,走到景点 2 2 2, 然后走到景点 3 3 3;假定忽略走路所花时间。

可可后走,有两种可能: 第一种是走到景点 3 3 3,这样聪聪和可可到达同一个景点,可可被吃掉,步数为 1 1 1,概率为 0.5 0.5 0.5

第二种是停在景点 4 4 4,不被吃掉。概率为 0.5 0.5 0.5

到第二个时刻,聪聪向更靠近可可(景点 4 4 4)的景点走动,只需要走一步即和 可可在同一景点。因此这种情况下聪聪会在两步吃掉可可。 所以平均的步数是 1 × 1 / 2 + 2 × 1 / 2 = 1.5 1\times 1/2 + 2\times 1/2 =1.5 1×1/2+2×1/2=1.5 步。

对于 50%的数据, 1 ≤ N ≤ 50 1≤N≤50 1N50
对于所有的数据, 1 ≤ N , E ≤ 1000 1≤N,E≤1000 1N,E1000

解题分析

我们可以预处理出每对点移动的方向, 再一遍记忆化 D F S DFS DFS即可。 具体见代码:

#include <cstdio>
#include <cstring>
#include <cstdlib>
#include <cmath>
#include <cctype>
#include <algorithm>
#include <queue>
#define R register
#define IN inline
#define W while
#define gc getchar()
#define MX 1050
#define db double
template <class T>
IN void in(T &x)
{
	x = 0; R char c = gc;
	for (; !isdigit(c); c = gc);
	for (;  isdigit(c); c = gc)
	x = (x << 1) + (x << 3) + c - 48;
}
int head[MX], dis[MX][MX], to[MX][MX], deg[MX];
db dp[MX][MX];
bool vis[MX];
std::queue <int> q;
int dot, line, cnt, fr, tar;
struct Edge {int to, nex;} edge[MX << 1];
IN void add(R int from, R int to) {edge[++cnt] = {to, head[from]}, head[from] = cnt;}
db DP(R int x, R int y)
{
	if(dp[x][y] >= 0) return dp[x][y];//已经搜过了
	if(x == y) return dp[x][y] = 0;//抓到了
	if(to[x][y] == y) return dp[x][y] = 1;//下一步
	if(to[to[x][y]][y] == y) return dp[x][y] = 1;//下两步
	dp[x][y] = 0;
	for (R int i = head[y]; i; i = edge[i].nex)
	dp[x][y] += DP(to[to[x][y]][y], edge[i].to);
	dp[x][y] = (dp[x][y] + DP(to[to[x][y]][y], y)) / (deg[y] + 1) + 1;//记得加上当前的这一步
	return dp[x][y];
}
int main(void)
{
	int a, b;
	in(dot), in(line); in(fr), in(tar);
	for (R int i = 1; i <= line; ++i)
	in(a), in(b), add(a, b), add(b, a), ++deg[a], ++deg[b];
	std::memset(dis, 63, sizeof(dis)), std::memset(to, 63, sizeof(to));
	for (R int i = 1; i <= dot; ++i) for (R int j = 1; j <= dot; ++j) dp[i][j] = -1;
	for (R int i = 1; i <= dot; ++i)//每个点BFS搜出距离
	{
		R int now;
		std::memset(vis, false, sizeof(vis));
		dis[i][i] = 0; q.push(i); vis[i] = true;
		W (!q.empty())
		{
			now = q.front(); q.pop();
			for (R int j = head[now]; j; j = edge[j].nex)
			if(!vis[edge[j].to]) dis[i][edge[j].to] = dis[i][now] + 1, q.push(edge[j].to), vis[edge[j].to] = true;
		}
	}
	for (R int i = 1; i <= dot; ++i)
	{
		for (R int j = head[i]; j; j = edge[j].nex)//这个地方不能和下面枚举反了, 否则是O(N^3)的
		{
			for (R int k = 1; k <= dot; ++k)
			if(dis[edge[j].to][k] + 1 == dis[i][k]) to[i][k] = std::min(to[i][k], edge[j].to);
		}
	}
	printf("%.3lf", DP(fr, tar));
}

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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