【ZOJ2314】Reactor Cooling(有上下界的网络流)

前言

话说有上下界的网络流好像全机房就我一个人会手动滑稽,当然这是不可能的

Solution

其实这道题目就是一道板子题,主要讲解一下怎么做无源无汇的上下界最大流:

算法步骤

1.将每条边转换成0~up-down。

但是,我们发现转换的时候不能保证一定是流量守恒。

2.可以把一条边的起点都减去下界,终点加上上界。令这个数组为\(d\)
3.对于\(d_i<0\),那么向汇点连条边;对于\(d_i>0\),从源点连边。
4.最后从源点到汇点跑一边Dinic就好了。

代码实现

#include<stdio.h>
#include<stdlib.h>
#include<string.h>
#include<math.h>
#include<algorithm>
#include<queue>
#include<set>
#include<map>
#include<iostream>
using namespace std;
#define ll long long
#define re register
#define file(a) freopen(a".in","r",stdin);freopen(a".out","w",stdout)
inline int gi(){
    int f=1,sum=0;char ch=getchar();
    while(ch>'9' || ch<'0'){if(ch=='-')f=-1;ch=getchar();}
    while(ch>='0' && ch<='9'){sum=(sum<<3)+(sum<<1)+ch-'0';ch=getchar();}
    return f*sum;
}
const int N=210,M=200010,Inf=1e9+10;
int front[N],nxt[M<<1],to[M<<1],w[M<<1],cnt,id[M<<1],n,m,d[N],ans[M<<1];
void Add(int u,int v,int val,int Id){
    to[cnt]=v;nxt[cnt]=front[u];front[u]=cnt;w[cnt]=val;id[cnt++]=Id;
}
int val[M],s,t,flow,dep[N];
void init(){
    memset(front,-1,sizeof(front));cnt=0;
    memset(to,0,sizeof(to));memset(nxt,0,sizeof(nxt));
    memset(w,0,sizeof(w));
}
bool bfs(){
    memset(dep,0,sizeof(dep));
    queue<int >Q;while(!Q.empty())Q.pop();
    Q.push(s);dep[s]=1;
    while(!Q.empty()){
        int u=Q.front();Q.pop();
        for(int i=front[u];i!=-1;i=nxt[i]){
            int v=to[i];
            if(!dep[v] && w[i]){
                dep[v]=dep[u]+1;
                Q.push(v);
            }
        }
    }
    return dep[t];
}
int dfs(int u,int Flow){
    if(u==t || !Flow)return Flow;
    for(int i=front[u];i!=-1;i=nxt[i]){
        int v=to[i];
        if(dep[v]==dep[u]+1 && w[i]){
            int di=dfs(v,min(Flow,w[i]));
            if(di){
                w[i]-=di;w[i^1]+=di;
                return di;
            }
        }
    }
    return 0;
}
int Dinic(){
    int Flow=0;
    while(bfs())
        while(int d=dfs(s,Inf))Flow+=d;
    return Flow;
}
int main(){
    int T=gi();
    while(T--){
        init();
        n=gi();m=gi();s=0;t=n+1;memset(d,0,sizeof(d));
        for(int i=1;i<=m;i++){
            int u=gi(),v=gi(),l=gi(),c=gi();
            d[u]-=l;
            d[v]+=l;
            Add(u,v,c-l,i);Add(v,u,0,0);
            val[i]=l;
        }
        for(int i=1;i<=n;i++){
            if(d[i]>0){Add(s,i,d[i],0);Add(i,s,0,0);}
            if(d[i]<0){Add(i,t,-d[i],0);Add(t,i,0,0);}
        }
        flow=Dinic();bool flag=true;
        for(int i=front[s];i!=-1;i=nxt[i])
            if(w[i]>0){flag=false;break;}
        if(!flag)puts("NO");
        else{
            puts("YES");
            for(int i=0;i<cnt;i++)ans[id[i]]=w[i^1];
            for(int i=1;i<=m;i++)
                printf("%d\n",ans[i]+val[i]);
        }
        puts("");
    }
    return 0;
}f

转载于:https://www.cnblogs.com/mleautomaton/p/10256886.html

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