[HEOI2016/TJOI2016]游戏 Solution

给一个地图,每个位置可以是空地,软石头和硬石头,炸弹只能放空地上,能炸穿无限个软石头但是不能炸穿硬石头,问最多放多少炸弹。
考虑一个炸弹能影响的范围,是一个区间,那么我们要做的就是把这样的区间提取出来,这个不难做到,对于一个炸弹,把它对应的横向联系的区间和纵向联系的区间连接起来就可以了。
c o d e : code: code:

#include <bits/stdc++.h>
int n,m;
int S=1,T=2;
int cur[6000];
int deep[3000];
char a[501][501];
int head[6000],tot=1;
int rbelone[111][111],rt;
int cbelone[111][111],ct;
std::queue<int>q;
struct edge{
	int to;
	int nxt;
	int flow;
}e[1000000];
void add(int x,int y,int flow){
	e[++tot]={y,head[x],flow};
	head[x]=tot;
	e[++tot]={x,head[y],0};
	head[y]=tot;
}
bool bfs(){
	memset(deep,0,sizeof deep);
  deep[S]=1;
  q.push(S);
  while(!q.empty()){
  	int X=q.front();
  	q.pop();
  	for(int i=head[X];i;i=e[i].nxt){
  		int y=e[i].to;
  		if(!deep[y]&&e[i].flow){
  			deep[y]=deep[X]+1;
  			q.push(y);
  		}
  	}
  }
  return deep[T];
}
int dfs(int x,int flow){
	if(x==T||!flow)
	  return flow;
	int Flow=0;
	for(int &i=cur[x];i;i=e[i].nxt){
		int y=e[i].to;
		if(e[i].flow&&deep[y]==deep[x]+1){
			int w=dfs(y,std::min(flow,e[i].flow));
			if(w){
				e[i].flow-=w;
				e[i^1].flow+=w;
				Flow+=w;
				flow-=w;
				if(!flow)
				  break;
			}
		}
	}
	return Flow;
}
int dinic(){
	int maxflow=0;
	while(bfs()){
		memcpy(cur,head,sizeof head);
		for(;;){
			int w=dfs(S,0x3f3f3f3f);
			if(!w)
			  break;
			maxflow+=w;
		}
	}
	return maxflow;
}
main(){
	scanf("%d%d",&n,&m);
	for(int i=1;i<=n;++i){
		char s[100];
		scanf("%s",s+1);
		for(int j=1;j<=m;++j)
		  a[i][j]=s[j];
	}
	for(int i=1;i<=n;++i)
		for(int j=1;j<=m;++j)
			if(a[i][j]!='#')
			  rbelone[i][j]=(a[i][j-1]!='#'&&j>1)?rt:++rt;
	for(int j=1;j<=m;++j)
	  for(int i=1;i<=n;++i)
	    if(a[i][j]!='#')
	      cbelone[i][j]=(a[i-1][j]!='#'&&i>1)?ct:++ct;
	for(int i=1;i<=rt;++i)
	  add(S,2+i,1);
	for(int i=1;i<=ct;++i)
	  add(2+rt+i,T,1);
	for(int i=1;i<=n;++i)
	  for(int j=1;j<=m;++j)
	    if(a[i][j]=='*')
	      add(2+rbelone[i][j],2+rt+cbelone[i][j],1);
	printf("%d",dinic());
	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