BZOJ3438 小M的作物

BZOJ3438 小M的作物

题目传送门

题解

一道比较好的最小割转化模型,首先根据题目可知我们是要把整个图划分成两个集合,使得损失的收益最小,获得的收益最大。这样就可以转化成一个比较裸的最小割模型了。我们新建一个源点\(S\)和汇点\(T\),然后对每个点向\(T\)连一条流量为\(b[i]\)的边,从\(S\)向每个点连一条流量为\(a[i]\)的边。然后对于每一种种植的组合,我们需要保证如果选择了这种组合种在了一个地里,那么这些点就不能种在另一个田里,所以我们需要对于每一个组合新建两个点\(u\)\(v\),然后从\(u\)向组合中的每一种植物连一条流量为\(inf\)的边,然后从组合中每一种植物向\(v\)连一条流量为\(inf\)的边,最后再从\(S\)\(u\)连流量为\(c1[i]\)的边,从\(v\)\(T\)连流量为\(c2[i]\)的边。然后转为求最大流,如果选择流这条边,就代表放弃这种的选择。并且由于组合中作物的边流量为\(inf\)所以是不会割这条边的,就可以保证如果选择了这种组合,那么这些作物就不会分在两个田里,保证了正确性。

Code

#include <bits/stdc++.h>
using namespace std;
typedef long long ll;
bool Finish_read;
template<class T>inline void read(T &x){Finish_read=0;x=0;int f=1;char ch=getchar();while(!isdigit(ch)){if(ch=='-')f=-1;if(ch==EOF)return;ch=getchar();}while(isdigit(ch))x=x*10+ch-'0',ch=getchar();x*=f;Finish_read=1;}
template<class T>inline void print(T x){if(x/10!=0)print(x/10);putchar(x%10+'0');}
template<class T>inline void writeln(T x){if(x<0)putchar('-');x=abs(x);print(x);putchar('\n');}
template<class T>inline void write(T x){if(x<0)putchar('-');x=abs(x);print(x);}
/*================Header Template==============*/
#define PAUSE printf("Press Enter key to continue..."); fgetc(stdin);
const int N=5005;
const int M=1e6+500;
const int inf=0x3f3f3f3f;
int n,m,k,tot=1,cnt,S,T;
int a[N],b[N],c1[N],c2[N],head[N],dis[N];
struct edge {
    int to,nxt,w;
}E[M<<1];
/*==================Define Area================*/
void addedge(int u,int v,int w) {
    E[++tot].to=v;E[tot].nxt=head[u];head[u]=tot;E[tot].w=w;
    E[++tot].to=u;E[tot].nxt=head[v];head[v]=tot;E[tot].w=0;
}

int Bfs() {
    memset(dis,-1,sizeof dis);
    dis[S]=0;
    queue<int>Q;
    Q.push(S);
    while(!Q.empty()) {
        int o=Q.front();Q.pop();
        for(int i=head[o];~i;i=E[i].nxt) {
            int to=E[i].to;
            if(dis[to]==-1&&E[i].w) {
                dis[to]=dis[o]+1;
                Q.push(to);
            }
        }
    }
    return dis[T]!=-1;
}

int Dfs(int u,int flow) {
    // PAUSE
    if(u==T) return flow;
    int used=0,k;
    for(int i=head[u];~i;i=E[i].nxt) {
        int to=E[i].to;
        if(dis[to]==dis[u]+1&&E[i].w) {
            k=Dfs(to,min(flow-used,E[i].w));
            E[i].w-=k;E[i^1].w+=k;
            used+=k;
            if(used==flow) return flow;
        }
    }
    if(!used) dis[u]=-1;
    return used;
}

int main() {
    memset(head,-1,sizeof head);
    read(n);
    S=n+1,T=n+2;
    cnt=n+2;
    int ans=0;
    for(int i=1;i<=n;i++) {
        read(a[i]);addedge(S,i,a[i]);
        ans+=a[i];
    }
    for(int i=1;i<=n;i++) {
        read(b[i]);addedge(i,T,b[i]);
        ans+=b[i];
    }
    read(m);
    for(int i=1,k;i<=m;i++) {
        read(k);read(c1[i]);read(c2[i]);
        ans+=c1[i]+c2[i];
        int u=++cnt,v=++cnt;
        addedge(S,u,c1[i]);addedge(v,T,c2[i]);
        for(int j=1,x;j<=k;j++) {
            read(x);addedge(u,x,inf);addedge(x,v,inf);
        }
    }
    while(Bfs()) {
        ans-=Dfs(S,inf);
    }
    printf("%d\n",ans);
    return 0;
}

转载于:https://www.cnblogs.com/Apocrypha/p/9546652.html

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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