codevs 3287 货车运输(树上倍增,最大生成树)

题目描述 Description

A 国有 n 座城市,编号从 1 到 n,城市之间有 m 条双向道路。每一条道路对车辆都有重量限制,简称限重。现在有 q 辆货车在运输货物,司机们想知道每辆车在不超过车辆限重的情况下,最多能运多重的货物。

输入描述 Input Description

第一行有两个用一个空格隔开的整数 n,m,表示 A 国有 n 座城市和 m 条道路。
接下来 m 行每行 3 个整数 x、y、z,每两个整数之间用一个空格隔开,表示从 x 号城市到 y 号城市有一条限重为 z 的道路。注意:x 不等于 y,两座城市之间可能有多条道路。
接下来一行有一个整数 q,表示有 q 辆货车需要运货。
接下来 q 行,每行两个整数 x、y,之间用一个空格隔开,表示一辆货车需要从 x 城市运输货物到 y 城市,注意:x 不等于 y。

输出描述 Output Description

输出共有 q 行,每行一个整数,表示对于每一辆货车,它的最大载重是多少。如果货车不能到达目的地,输出-1。

样例输入 Sample Input

4 3 
1 2 4 
2 3 3 
3 1 1 
3
1 3 
1 4 
1 3

样例输出 Sample Output

3
-1
3

数据范围及提示 Data Size & Hint

对于 30%的数据,0 < n < 1,000,0 < m < 10,000,0 < q < 1,000; 
对于 60%的数据,0 < n < 1,000,0 < m < 50,000,0 < q < 1,000; 
对于 100%的数据,0 < n < 10,000,0 < m < 50,000,0 < q < 30,000,0 ≤ z ≤ 100,000。

题解:

先求最大生成树,然后每对点,在最大生成树上找出lca,并用与lca类似的倍增法预处理d[x][i](结点x向上走2^i个结点的路径中小的一段)。

注意点可能不连通,所以在求最大生成树时无法判断要取多少条边,不过直接对每条边判断端点是否连通(并查集)就行了,不连通就加进去。


#include<iostream>
#include<cstdio>
#include<algorithm>
#include<cstring>
#include<vector>
using namespace std;
#define rep(i,a,n) for (int i=a;i<n;i++)
#define per(i,a,n) for (int i=n-1;i>=a;i--)
#define pb push_back
#define mp make_pair
#define fi first
#define se second
typedef vector<int> VI;
typedef long long ll;
typedef pair<int,int> PII;
const ll mod=1000000007;
const int MAXN=10000+100;
const int MAXM=50000+100;
const int INF=0x3ffffff;
int head[MAXN],pa[MAXN],fa[MAXN][16],deep[MAXN],d[MAXN][16];
bool vis[MAXN];
struct fun
{
	int u,v,w;
	bool operator <(const fun& b)const{
		return w>b.w;
	}
}a[MAXM];
struct node
{
	int to,next,w;
}edge[MAXM*2];
int find(int x)
{
	return pa[x]==x? x:pa[x]=find(pa[x]);
}
int tol=0;
void add(int u,int v,int w)
{
	edge[++tol].to=v,edge[tol].next=head[u],head[u]=tol,edge[tol].w=w;
	edge[++tol].to=u,edge[tol].next=head[v],head[v]=tol,edge[tol].w=w;
}
void dfs(int x)
{
	vis[x]=1;
	for(int i=1;i<15;i++)
	{
		if(deep[x]<(1<<i)) break;
		fa[x][i]=fa[fa[x][i-1]][i-1];
		d[x][i]=min(d[x][i-1],d[fa[x][i-1]][i-1]);  //类似RMQ进行更新 
	}
	for(int i=head[x];i;i=edge[i].next)
	{
		if(vis[edge[i].to]) continue;
		fa[edge[i].to][0]=x;
		deep[edge[i].to]=deep[x]+1;
		d[edge[i].to][0]=edge[i].w;
		dfs(edge[i].to);
	}
}
int lca(int x,int y)
{
	if(deep[x]<deep[y]) swap(x,y);
	int d=deep[x]-deep[y];
	rep(i,0,15)
		if(d&(1<<i)) x=fa[x][i];
	if(x==y) return x;
	per(i,0,15)
	if(fa[x][i]!=fa[y][i]) x=fa[x][i],y=fa[y][i];
	return fa[x][0];
}
int solve(int x,int y)
{
	int t=lca(x,y);
	int ans1=INF,ans2=INF;
	int di=deep[x]-deep[t];
	rep(i,0,15)
	if(di&(1<<i)) ans1=min(ans1,d[x][i]),x=fa[x][i];  //类似倍增法往上跳 
	di=deep[y]-deep[t];
	rep(i,0,15)
	if(di&(1<<i)) ans2=min(ans2,d[y][i]),y=fa[y][i];
	return min(ans1,ans2);
}
int main()
{
	int n,m;
	scanf("%d%d",&n,&m);
	rep(i,1,n+1) pa[i]=i;
	rep(i,1,m+1)
	{
		int u,v,w;
		scanf("%d%d%d",&a[i].u,&a[i].v,&a[i].w);
	}
	sort(a+1,a+m+1);
	rep(i,1,m+1)          //求最大生成树,然后再建图 
	{
		int fu=find(a[i].u),fv=find(a[i].v);
		if(fu!=fv)
		{
			pa[fu]=fv;
			add(a[i].u,a[i].v,a[i].w);
		}
	}
	rep(i,1,n+1) if(!vis[i]) dfs(i);
	int q;
	scanf("%d",&q);
	while(q--)
	{
		int u,v;
		scanf("%d%d",&u,&v);
		if(find(u)!=find(v)) puts("-1");
		else printf("%d\n",solve(u,v));
	}
	return 0;
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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