HDU 5046 Airport DLX

【题目大意】

有n个城市,你可以从中选k个城市建立飞机场。建好飞机场后,城市i(1<=i<=n)距离最近的飞机场有一个距离值di。你的任务是选择一个建造方式,使得max(di)最小,输出这个最小值。

【思路】

基本是hdu 3656的原题,和hdu 4398也很像。

我们可以二分最小的距离值。如果城市i建立飞机场,存在城市j,满足两城市的距离<=二分的值。令mat[i][j] = 1,否则mat[i][j] = 0。这个表,就是精确覆盖的表,只不过这里允许重复覆盖。。。非精确覆盖问题,直接贴模板。。。

//#pragma comment(linker, "/STACK:102400000,102400000")
#include<cstdio>
#include<cstring>
#include<vector>
#include<queue>
#include<cmath>
#include<cctype>
#include<string>
#include<algorithm>
#include<iostream>
#include<ctime>
#include<map>
#include<set>
using namespace std;
#define MP(x,y) make_pair((x),(y))
#define PB(x) push_back(x)
typedef __int64 LL;
//typedef unsigned __int64 ULL;
/* ****************** */
const int INF=100011122;
const double INFF=1e100;
const double eps=1e-8;
//const LL mod=1000000007;
const int NN=100010;
const int MM=2000010;
/* ****************** */

const int maxn=61;
const int maxr=61;
const int maxnode=3700;
int sz,ansd;
int S[maxn],H[maxr];
int row[maxnode],col[maxnode];
int L[maxnode],D[maxnode],U[maxnode],R[maxnode];
bool mat[61][61];
bool vis[61];
LL dis[61][61];
LL x[61], y[61];
LL tf[4000];
int kk;

void dl_init(int n)
{
    memset(H,-1,sizeof(H));
    int i;
    for(i=0;i<=n;i++)
    {
        U[i]=D[i]=i;
        L[i]=i-1;
        R[i]=i+1;
        S[i]=0;
    }
    L[0]=n;
    R[n]=0;
    sz=n+1;
}
void dl_add(int r,int c)
{
    row[sz]=r,col[sz]=c;
    S[c]++;

    U[sz]=U[c];
    D[sz]=c;

    D[ U[c] ]=sz;
    U[c]=sz;

    if(H[r]==-1)
    {
        H[r]=L[sz]=R[sz]=sz;
    }
    else
    {
        L[sz]=L[H[r]];
        R[sz]=H[r];
        R[ L[sz] ]=sz;
        L[ H[r] ]=sz;
    }
    sz++;
}
void remove(int id)
{
    int i;
    for(i=D[id];i!=id;i=D[i])
    {
        L[R[i]]=L[i];
        R[L[i]]=R[i];
    }
}
void restore(int id)
{
    int i;
    for(i=U[id];i!=id;i=U[i])
    {
        R[L[i]]=i;
        L[R[i]]=i;
    }
}
int h()
{
    int i,j,k,ans=0;
    memset(vis,false,sizeof(vis));
    for(i=R[0];i!=0;i=R[i])
    {
        if(!vis[i])
        {
            ans++;
            vis[i]=true;
            for(j=D[i];j!=i;j=D[j])
                for(k=R[j];k!=j;k=R[k])
                    vis[ col[k] ]=true;
        }
    }
    return ans;
}
void dl_dfs(int d)
{
    if(ansd <= kk)
        return;
    if(d+h() > kk)
        return;
    if(R[0]==0)
    {
        ansd=d;
        return;
    }
    int i,j,c=R[0];
    for(i=R[0];i!=0;i=R[i])
        if(S[i]<S[c])
            c=i;

    for(i=D[c];i!=c;i=D[i])
    {
        remove(i);
        for(j=R[i];j!=i;j=R[j])
            remove(j);
        dl_dfs(d+1);
        for(j=L[i];j!=i;j=L[j])
            restore(j);
        restore(i);
    }
}
int goo(int n,LL dd)
{
    int i,j;
    for(i = 1; i <= n; i ++)
    {
        for(j = 1; j <= n; j++)
        {
            if(dis[i][j] <= dd)
                mat[i][j] = true;
            else
                mat[i][j] = false;
        }
    }
    dl_init(n);
    for(i=1;i<=n;i++)
    {
        for(j=1;j<=n;j++)
        {
            if(mat[i][j] || i==j)
            {
                dl_add(i,j);
            }
        }
    }
    ansd=n;
    dl_dfs(0);
    return ansd;
}
LL f_abs(LL x)
{
    if(x >= 0)return x;
    return -x;
}
int main()
{

    int cas, ee = 0;
    int n, k, i, j, tol, m;
    int l ,r, mid;
    scanf("%d", &cas);
    while(cas--)
    {
        scanf("%d%d", &n, &k);
        kk = k;
        for(i = 1; i <= n; i ++)
        {
            scanf("%I64d%I64d",&x[i],&y[i]);
        }
        tol = 0;
        for(i = 1; i <= n; i ++)
            for(j = 1; j <= n; j ++)
            {
                dis[i][j] = f_abs(x[i]-x[j]) + f_abs(y[i]-y[j]);
                tf[++tol] = dis[i][j];
            }
        sort(tf+1,tf+1+tol);
        m = unique(tf+1,tf+1+tol) - tf - 1;
        tf[0] = -1;
        l = 0;
        r = m;
        while(l + 1 < r)
        {
            mid = (l + r)>>1;
            if(goo(n, tf[mid]) <= k)
                r = mid;
            else
                l = mid;
        }
        printf("Case #%d: ", ++ee);
        printf("%I64d\n",tf[r]);
    }
    return 0;
}


智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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