ccpc 桂林 - K. Tax —— 搜索

19 篇文章 0 订阅
博客讨论了一道涉及最短路径和最小花费的图论问题。初始的错误尝试使用了队列和数组记录路径信息,但未能正确处理所有情况。最终的解决方案是先通过BFS找到所有点的最短路径,然后用DFS遍历这些路径,寻找每个点的最小花费。关键在于即使非最短路径也可能导致后续点的最小花费。
摘要由CSDN通过智能技术生成
题目链接

题意:

给出一个 n 个点,m 条边的无向图。 ( 2 ≤ n ≤ 50 , n − 1 ≤ m ≤ n ( n − 1 ) / 2 ) (2≤n≤50 , n−1≤m≤n(n−1)/2) 2n50,n1mn(n1)/2
每条边对应一种类 c i c_i ci,长度都为 1。每一种类 t t t 的边有价值 w t w_t wt
从起点 1 出发,经过一条边的花费为: k ∗ w i k * w_i kwi,其中 k 为走过的此种类的边的次数。
对于每个点,问从起点到该点的最短路中,最小花费为多少?

分析:

一开始是这样想的:
在队列中存结构体node,node里有数组来记录走到这个点时,每种道路的经过次数。
类似于最短路计数,走到一个点,如果到该点的距离和其最短距离相同,那么比较经过道路的花费,如果花费更少的话就将花费替换,压入队列。否则就不压。
这样做问题出在哪呢?问题出在,如果最短距离相同的话,就算花费不比最短距离小,也要压入队列。因为可能后面点的最佳状态由当前点的这个非最佳状态转移过来

但是结构体里放数组的话,出现了莫名错误,运行不出来。

const int N = 200010, mod = 1e9+7;
int T, n, m;
int a[N], w[N];
vector<PII> e[N];
int f[N], dist[N], cco[N];
int cnt[N], t[N];

struct node{
	int x, cost, cnt[N];
};

void bfs()
{
	cout << "&&\n";
	queue<node> que;
	que.push({1, 0, *t});
	
	while(que.size())
	{
		int x = que.front().x, cost = que.front().cost;
		for(int i=1;i<=m*m;i++) cnt[i] = que.front().cnt[i];		
		que.pop();
		
		for(auto it : e[x])
		{
			int tx = it.fi, type = it.se;
			
			if(!f[tx]){
				f[tx] = f[x] + 1;
				for(int i=1;i<=m*m;i++) t[i] = cnt[i];
				t[type] ++;
				cco[tx] = cost + t[type]*w[type];
				que.push({tx, cco[tx], *t});
			}
			else if(f[tx] == f[x] + 1)
			{
				cco[tx] = min(cco[tx], cost + (cnt[type] + 1)*w[type]);
				for(int i=1;i<=m*m;i++) t[i] = cnt[i];
				t[type] ++;
				que.push({tx, cost + t[type]*w[type], *t});
			}
		}
	}
}

而将数组换作map后,后面mle了。

const int N = 200010, mod = 1e9+7;
int T, n, m;
int a[N], w[N];
vector<PII> e[N];
int f[N], dist[N], cco[N];

struct node{
	int x, cost;
	map<int, int> mp;
};

void bfs()
{
	queue<node> que;
	que.push({1, 0, tmp});
	
	while(que.size())
	{
		int x = que.front().x, cost = que.front().cost;
		map<int, int> mp = que.front().mp;
		que.pop();
		
		for(auto it : e[x])
		{
			int tx = it.fi, type = it.se;
			
			if(!f[tx]){
				f[tx] = f[x] + 1;
				tmp = mp;
				tmp[type] ++;
				cco[tx] = cost + tmp[type]*w[type];
				que.push({tx, cco[tx], tmp});
			}
			else if(f[tx] == f[x] + 1)
			{
				cco[tx] = min(cco[tx], cost + (mp[type] + 1)*w[type]);
				tmp = mp;
				tmp[type] ++;
				que.push({tx, cost + tmp[type]*w[type], tmp});
			}
		}
	}
}

正解是这样的:

可以先 bfs 一遍求出所有点的最短距离。
然后从起点开始 dfs,按照到每个点的最短路径走,同时记录走过的边的种类。
每个点的最小花费为其所有最短路径中最小花费的最小值。

Code:
#include<bits/stdc++.h>
using namespace std;

#define Ios ios::sync_with_stdio(false),cin.tie(0)
#define mem(a,b) memset(a,b,sizeof a)
#define PII pair<int,int>
#define pb push_back
#define fi first
#define se second
#define endl '\n'
map<int,int> mp;

/**/

const int N = 200010, mod = 1e9+7;
int T, n, m;
int a[N], dist[N], w[N];
vector<PII> e[N];
int sum, cnt[N], f[N];
int ans[N];

void bfs()
{
	queue<int> que;
	que.push(1);
	dist[1] = 1;
	
	while(que.size())
	{
		int x = que.front();
		que.pop();
		
		for(auto it:e[x])
		{
			int tx = it.fi, type = it.se;
			if(dist[tx]) continue;
			
			dist[tx] = dist[x] + 1;
			que.push(tx);
		}
	}
}

void dfs(int x)
{
	for(auto it : e[x])
	{
		int tx = it.fi, type = it.se;
		if(dist[tx] != dist[x] + 1) continue;
		
//		if(sum + (cnt[type] + 1) * w[type] > ans[tx]) continue; //注意这里就算不是最小花费也要搜下去,因为下面点的最小花费可能是由这个状态转移过去
		ans[tx] = min(ans[tx], sum + (cnt[type] + 1) * w[type]);
		
		cnt[type] ++;
		sum += cnt[type] * w[type];
		dfs(tx);
		sum -= cnt[type] * w[type]; 
		cnt[type] --;
	}
}

signed main(){
	Ios;
	cin >> n >> m;
	for(int i=1;i<=m;i++) cin>>w[i];
	
	while(m--)
	{
		int x, y, z;
		cin >> x >> y >> z;
		e[x].pb({y, z});
		e[y].pb({x, z});
	}
	
	bfs();
	
	for(int i=1;i<=n;i++) ans[i] = 1e9;
	dfs(1);
	
	for(int i=2;i<=n;i++) cout << ans[i] << "\n";
	
	return 0;
}

经验:

一看到这道题的时候就发现数据范围有猫腻,为什么点数这么少?
然而看了题解之后才发现,可以dfs。

此外需要注意的是,这道题和记忆化搜索不同,如果搜到一个点不是最小花费,还需要继续往下走,因为下面点的最佳状态可能由当前点的非最佳状态转移过去。
而普通的最短路只有一个状态:距离,这个状态会递增的,所以如果到一个点不如其之前的最佳状态就不用往下走了;
此题的状态并不满足递增,状态数组之间没有之间关联。所以不能记忆化。

  • 1
    点赞
  • 1
    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
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