洛谷 P3376 【模板】网络最大流 ISAP

题目链接

模板题。

ISAP:Dinic的优化,Dinic的每次bfs重新求分层图较为浪费时间,而ISAP就对此进行了优化,对于每次增广实际每个点的深度并没有太多改变,所以ISAP定义了每个点到汇点的最短距离,对于每个点的最短距离,每次增广之后是不会变小(若变小则一开始就存在更短的增广路)。

GAP优化:当与汇点距离为当前距离的结点数为0时,说明已经求得最大流,可以直接跳出dfs。

#include<cstdio>
#include<iostream>
#include<algorithm>
#include<cmath>
#include<cstring>
#include<string>
#include<map>
#include<vector>
#include<queue>
using namespace std;
#define PI acos(-1)
#define INF 0x3f3f3f3f
#define NUM 100100
#define debug true
#define lowbit(x) ((-x)&x)
#define ffor(i,d,u) for(int i=d;i<=u;++i)
#define _ffor(i,u,d) for(int i=u;i>=d;--i)
#define mst(array,Num) memset(array,Num,sizeof(array))
const int p = 1e9+7;
int n,m,maxflow=0,s,t;
int head[NUM/10],d[NUM/10]={},num[NUM/10]={},ednum=-1;
struct edge
{
    int next,to,w;
}e[NUM<<1];
void read(int &x){
    char ch = getchar();x = 0;
    for (; ch < '0' || ch > '9'; ch = getchar());
    for (; ch >='0' && ch <= '9'; ch = getchar()) x = x * 10 + ch - '0';
}
template <typename T>
void write(T x)
{
    int len=0;char c[21];
    if(x<0)putchar('-'),x*=(-1);
    do{++len;c[len]=(x%10)+'0';}while(x/=10);
    _ffor(i,len,1)putchar(c[i]);
}
inline void bfs()
{
    int x,y;
    ffor(i,1,n)d[i]=INF;
    queue < int > q;
    q.push(t),++num[d[t]=1];
    while(!q.empty())
    {
        x=q.front();q.pop();
        for(int i=head[x];i!=-1;i=e[i].next)
        {
            y=e[i].to;
            if(d[y]!=INF||e[i].w!=0)continue;
            ++num[d[y]=d[x]+1];
            q.push(y);
        }
    }
}
int dfs(int vertex,int minx)
{
    if(!minx||vertex==t)return minx;
    int f,x,flow=0;
    for(int i=head[vertex];i!=-1;i=e[i].next)
    {
        x=e[i].to;
        if(d[vertex]==d[x]+1&&(f=dfs(x,min(minx,e[i].w))))
        {
            minx-=f,flow+=f,e[i].w-=f,e[i^1].w+=f;
            if(!minx)return flow;
        }
    }
    if(!(--num[d[vertex]]))d[s]=n+1;
    ++num[++d[vertex]];
    return flow;
}
inline void ISAP()
{
    bfs();
    while(d[s]<=n)maxflow+=dfs(s,INF);
    write(maxflow);
}
inline void AC()
{
    read(n),read(m),read(s),read(t);
    int x,y,wei;
    mst(head,-1);
    ffor(i,1,m)
    {
        read(x),read(y),read(wei);
        e[++ednum].to=y,e[ednum].w=wei,e[ednum].next=head[x],head[x]=ednum;
        e[++ednum].to=x,e[ednum].w=0,e[ednum].next=head[y],head[y]=ednum;
    }
    ISAP();
}
int main()
{
    AC();
    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