[ZJOI2009]假期的宿舍,洛谷之提高历练地,较复杂图论II

正题

      第三题:[ZJOI2009]假期的宿舍

      这道题根据题意我们可以发现,一部分人有床,一部分人没有床,一部分人需要床,一部分人不需要床。然而那些人有洁癖,只会睡在自己的或者认识的人的床。

      那么很明显我们就想到了二分图最大匹配。把有床的人和需要床的人的集合分为左右两个集合,那么很明显有床的人可以贡献一的流量(一张床),而需要床的人需要享受一的流量(一张床),所以构图方法就显然了,从begin到每个有床的人建一条流量为1的边,从每个需要床的人到end建一条流量为1的边,然后中间认识的人建一条边即可。这道题跟飞行员匹配问题有点像

#include<cstdio>
#include<cstdlib>
#include<cstring>
#include<queue>
using namespace std;

int n;
struct edge{
	int y,next,c;
}s[100010];
int first[1010];
int h[1010];
int t;
int len=1;
int begin,end;
bool tf[1010];
queue<int> f;

void ins(int x,int y,int c){
	len++;
	s[len].y=y;s[len].c=c;s[len].next=first[x];first[x]=len;
	len++;
	s[len].y=x;s[len].c=0;s[len].next=first[y];first[y]=len;
}

bool bfs(){
	f.push(begin);
	memset(h,-1,sizeof(h));
	h[begin]=1;
	while(!f.empty()){
		int x=f.front();
		f.pop();
		for(int i=first[x];i!=0;i=s[i].next){
			int y=s[i].y;
			if(h[y]==-1 && s[i].c>0){
				h[y]=h[x]+1;
				f.push(y);
			}
		}
	}
	return h[end]!=-1;
}

int dfs(int x,int t){
	if(x==end) return t;
	int tot=0;
	for(int i=first[x];i!=0;i=s[i].next){
		int y=s[i].y;
		if(tot==t) return t;
		if(h[y]==h[x]+1 && s[i].c>0){
			int my=dfs(y,min(t-tot,s[i].c));
			tot+=my;s[i].c-=my;s[i^1].c+=my;
		}
	}
	if(tot==0) h[x]=0;
	return tot;
}

int max_flow(){
	int tot=0;
	while(bfs()){
		int dx=dfs(begin,1e9);
		while(dx!=0){
			tot+=dx;
			dx=dfs(begin,1e9);
		}
	}
	return tot;
}

int main(){
	scanf("%d",&t);
	while(t--){
		len=1;
		memset(first,0,sizeof(first));
		scanf("%d",&n);
		memset(tf,false,sizeof(tf));
		begin=0,end=2*n+1;
		int tt=0;
		for(int i=1;i<=n;i++){
			int x;
			scanf("%d",&x);
			if(x==1) {
				tf[i]=true;
				ins(n+i,end,1);
			}
		}
		for(int i=1;i<=n;i++){
			int x;
			scanf("%d",&x);
			if(x==1 && tf[i]==true) tt++;
			else ins(begin,i,1);
		}
		for(int i=1;i<=n;i++)
			for(int j=1;j<=n;j++){
				int x;
				scanf("%d",&x);
				if(i==j || x==1) ins(i,j+n,1);
			}
		if(max_flow()==n-tt) printf("^_^\n");
		else printf("T_T\n");
	}
}

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 1
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