HDU 3251 Being a Hero

题意:国王要给一个英雄一些城市,每个城市可以让这个英雄赚一些钱但是,国王不想到达这个英雄的城市,所以英雄要切断一些路,使得国王到不了这些城市,每条路有相应的拆除费用,问英雄最多可以赚多少钱?

想法:费用流的思想建边,在残余网络里面找满流边,作为要截取的道路,这些道路
有一个特点,就是一边连着与国王相连的点,一边是英雄的城市。
费用流思想建边:有亏有盈,为了不亏,那么用盈利点的权值来限流,达到不亏损
1.虚拟sink,source
2.source向1点连一条容量为inf的边。
3.每一个英雄可选的点向sink连一条容量为盈利值的边。
4.点点之间关系,题中给。

#include<iostream>
#include<cstdio>
#include<cstring>
#include<queue>
#define inf 0x7fffffff
using namespace std;
const int nodes=1000+5;
const int edges=200000+500;
int n,m,f,s,t,sum;
struct node
{
	int u,v,flow;
	int next;
}e[edges];
struct nodee
{
	int u,v;
}ee[edges];
int head[nodes],cnt,cur[nodes];
int bian[edges];
class Dinic
{
    public:
        int spath()
        {
            queue<int>q;
            while(!q.empty()) q.pop();
            memset(dis,-1,sizeof(dis));
            dis[s]=0;
            q.push(s);
            while(!q.empty())
            {
                int u=q.front();
                q.pop();
                for(int i=head[u];i+1;i=e[i].next)
                {
                    int v=e[i].v;
                    if(dis[v]==-1&&e[i].flow>0)
                    {
                        dis[v]=dis[u]+1;
                        q.push(v);
                    }
                }
            }
            return dis[t]!=-1;
        }
        int Min(int a,int b)
        {
            if(a<b) return a;
            return b;
        }
        int dfs(int u,int flow)
        {
            int cost=0;
            if(u==t) return flow;
            for(int &i=cur[u];i+1;i=e[i].next)
            {
                int v=e[i].v;
                if(dis[v]==dis[u]+1&&e[i].flow>0)
                {
                    int min=dfs(v,Min(e[i].flow,flow-cost));
                    if(min>0)
                    {
                        e[i].flow-=min;
                        e[i^1].flow+=min;
                        cost+=min;
                        if(cost==flow) break;
                    }
                    else dis[v]=-1;
                }
            }
            return cost;
        }
        int result()
        {
            int res=0;
            while(spath())
            {
            	for(int i=s;i<=t;i++) cur[i]=head[i];
                res+=dfs(s,inf);
            }
            return res;
        }
    private:
        int dis[nodes];
}dinic;
void Init()
{
	memset(head,-1,sizeof(head));
	cnt=0;
} 
void add(int a,int b,int w)
{
	e[cnt].u=a;
	e[cnt].v=b;
	e[cnt].flow=w;
	e[cnt].next=head[a];
	head[a]=cnt++;
	
	e[cnt].u=b;
	e[cnt].v=a;
	e[cnt].flow=0;
	e[cnt].next=head[b];
	head[b]=cnt++;
}
int vis[nodes],num;
void dfs(int u)
{
	vis[u]=1;
	for(int i=head[u];i+1;i=e[i].next)
	{
		int v=e[i].v;
		if(!vis[v]&&e[i].flow>0)
		{
			dfs(v);
		}
	}
}
void treatment(int ca)
{
	num=0;
	memset(vis,0,sizeof(vis));
	int k=dinic.result();
	printf("Case %d: %d\n",ca,sum-k);
	dfs(1);
	for(int i=1;i<=m;i++)
	if(vis[ee[i].u]&&!vis[ee[i].v]) bian[num++]=i;
	printf("%d",num);
	for(int i=0;i<num;i++)
	printf(" %d",bian[i]);
	puts("");
}
int main()
{
	int test,ca=1;
	scanf("%d",&test);
	while(test--)
	{
		scanf("%d%d%d",&n,&m,&f);
		Init();
		s=0;t=n+1;
		add(s,1,inf);
		for(int i=1;i<=m;i++)
		{
			int a,b,c;
			scanf("%d%d%d",&a,&b,&c);
			add(a,b,c);
			ee[i].u=a;
			ee[i].v=b;
		}
		sum=0;
		for(int i=1;i<=f;i++)
		{
			int a,b;
			scanf("%d%d",&a,&b);
			add(a,t,b);
			sum+=b;
		}
		treatment(ca++);
	}
	return 0;
}

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