POJ 2728 Desert King 最优比率生成树

题目链接:http://poj.org/problem?id=2728


题意是给出n个点的xyz值,要将n个点通过边连接起来。两个点之间的价值w是两点之间的平面欧几里德距离,费用c是两点直接的z坐标差。要求∑c/∑w的最小值。

意思就是要求一个价值和费用比最高的生成树。

题目要求的就是最小的r = ∑c/∑w

我们可以构造一个这样的子问题,求z(k) = ∑c – k * ∑w

由于运算的性质,我们可以转化成:z(k) = ∑(ci – k * wi)

这样一来,求z(k)的最小值的问题就能够转化为求边i的权值为ci - k * wi的最小生成树的问题了。

同时函数z满足单调减,因为k越大,每个点的价值越小。

同时能过推出让r最小的kminr满足:z(minr) = 0。这个结论是很好证明的。

那么我们现在就是要找到一个k值使得z(k) = 0

下面的事情就简单了。我采取的是二分答案的做法,事实上从0~100进行25次二分就能够找到足够精确的答案。(20次二分不行……会WA,别问我怎么知道的)

循环控制可以是mark++<25也可以是r– l > 1e-5

PS:貌似最大生成树使用kruskal会导致TLE,推荐使用prim算法。

 

AC代码:


#include <iostream>
#include <cstdio>
#include <cstdlib>
#include <cstring>
#include <cmath>
#define MAXN 1005
#define MAXE 1000005
#define EPS 1e-7
using namespace std;

const double MaxDouble=100000007.0;
double map[MAXN][MAXN];//邻接表 
double cost[MAXN][MAXN];
double lowcost[MAXN];//最短距离 
int vis[MAXN];//是否访问过 
int n;

struct point
{
	int x;
	int y;
	int z;
}p[MAXN];

double dis(int a,int b)
{
	return sqrt(1.0*(p[a].x-p[b].x)*(p[a].x-p[b].x)+1.0*(p[a].y-p[b].y)*(p[a].y-p[b].y));
}

int sign(double x)
{
	if(fabs(x)<EPS) return 0;
	else return x<0?-1:1;
}

double prim(int seed,double k)//参数seed: 初始随机选择的起始点编号 
{
	double minn,res=0;
	int i,j,pos;
	memset(vis,0,sizeof(vis));//初始化访问状态 
	vis[seed]=1;pos=seed;//设置初始节点 
	for(i=0;i<n;i++) lowcost[i]=cost[pos][i]-k*map[pos][i];//第一次更新lowcost 
	for(i=0;i<n-1;i++)//连n-1条边 
	{
		minn=MaxDouble;//初始化 
		for(j=0;j<n;j++)
		{
			if(vis[j]==0&&lowcost[j]<minn)//遍历所有节点,寻找lowcost最小的点 
			{
				minn=lowcost[j];
				pos=j;
			}
		}
		res+=minn;//答案增加 
		vis[pos]=1;//更新访问状态
		for(j=0;j<n;j++)
		{
			double temp=cost[pos][j]-k*map[pos][j];
			if(vis[j]==0&&lowcost[j]>temp)//根据新的节点更新lowcost值 
				lowcost[j]=temp;
		}
	}
	return res;
}

int del(int x)
{
	return x>0?x:-x;
}

int main()
{
	int i,j,a,b;
	while(cin>>n,n)
	{
		for(i=0;i<n;i++)//读入&处理
		  scanf("%d%d%d",&p[i].x,&p[i].y,&p[i].z);
		for(i=0;i<n;i++)
		for(j=0;j<i;j++)
		{
			map[i][j]=map[j][i]=dis(i,j);
			cost[i][j]=cost[j][i]=del(p[i].z-p[j].z);
		}
		double l=0.0,r=100.0,mid;
		int mark=0;
		while(mark++<25)//进行25次二分
		{
			mid=(l+r)/2;
			if(sign(prim(0,mid))>=0) l=mid;
			else r=mid;
		}
		printf("%0.3f\n",r);
	}
}


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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