【NEW!】[2-sat]Katu Puzzle

题目描述

自我翻译提高系列

简称POJ
相信大家都很熟悉AND,OR,XOR这三种操作吧:
(.缩进符)
AND:
a\b 0 1
.0. 0 0
.1. 0 1
OR:
a\b 0 1
.0. 0 1
.1. 1 1
XOR:
a\b 0 1
.0. 0 1
.1. 1 0

现在给你a,b的关系(即:a编号为x,b编号为y,用X表达式使其得到一个布尔值)

x y answer description
0 1 1 AND

0 1 0 AND

给你若干个这种描述,请你回答是否有冲突如:
0 1 1 AND
0 1 0 OR

输入:
第一行两个正整数n,m,n表示编号为0~n-1,m表示描述个数
接下来m行每行三个正整数,后接一个字符串(如题所述)

输出:
YES表示不冲突而NO相反

分析

我们可以把每个(看成一个布尔变量吧)变量拆成0,1,然后根据表达式给他们连边,最后2-sat判断即可

#include <iostream>
#include <cstdio>
#include <string>
#include <memory.h>
#define rep(i,a,b) for (i=a;i<=b;i++)
#define sep(i,start,n) for (i=start;i;i=n[i].next)
using namespace std;
int n,m;

int edgecnt;
struct edge
{
    int u,v,next;
};
edge G[4000001];
int list[2001];

int stk[2001],instk[2001],top;
int time,low[2001],dfn[2001];
int id[2001],idcnt;

void ADD(int u,int v)
{
    G[++edgecnt].u=u;G[edgecnt].v=v;G[edgecnt].next=list[u];list[u]=edgecnt;
}

void TARJAN(int i)
{
    int j,k;
    stk[++top]=i;instk[i]=1;
    low[i]=dfn[i]=++time;
    sep(k,list[i],G)
    {
        j=G[k].v;
        if (!dfn[j])
        {
            TARJAN(j);
            low[i]=min(low[i],low[j]);
        }
        else
        if (instk[j])
        low[i]=min(low[i],dfn[j]);
    }
    if (low[i]==dfn[i])
    {
        idcnt++;
        int nowstk;
        do
        {
            nowstk=stk[top--];
            id[nowstk]=idcnt;
            instk[nowstk]=0;
        }
        while (nowstk!=i);
    }
}

void INIT()
{
    string s;
    int i,j,a,b,c;
    scanf("%d%d",&n,&m);
    rep(i,1,m)
    {
        scanf("%d %d %d ",&a,&b,&c);
        a++;b++;
        cin>>s;
        if (s[0]=='A')
        {
            if (c)
            {
                ADD(a,a+n);
                ADD(b,b+n);
            }
            else
            {
                ADD(a+n,b);
                ADD(b+n,a);
            }
        }
        if (s[0]=='O')
        {
            if (c)
            {
                ADD(a,b+n);
                ADD(b,a+n);
            }
            else
            {
                ADD(a+n,a);
                ADD(b+n,b);
            }
        }
        if (s[0]=='X')
        {
            if (c)
            {
                ADD(a,b+n);
                ADD(b,a+n);
                ADD(b+n,a);
                ADD(a+n,b);
            }
            else
            {
                ADD(a+n,b+n);
                ADD(b+n,a+n);
                ADD(a,b);
                ADD(b,a);
            }
        }
    }
}

void DOIT()
{
    int i;
    bool b=1;
    rep(i,1,n*2)
    if (!dfn[i]) TARJAN(i);
    rep(i,1,n)
    if (id[i]==id[i+n])
    {
        b=0;
        break;
    }
    if (b)
    printf("YES");
    else printf("NO");
}

int main()
{
    INIT();
    DOIT();
}
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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
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