ural 1004 Sightseeing Trip

题意:给一个无环边可以有重边的无向带权图,求最小环的顶点序列

思路1:对每一条边 e = (v, w) 而言,在原图中删去这条边e,再做从v到w的最短路,|e| + dijkstra(v,w) 就是这个环的的长度,复杂度是O(e*O(dijkstra))

思路2:用floyd求最小环,复杂度O(n^3),不过记录顶点序列的时候很尴尬啊- -...

#include <cstdio>
using namespace std;
#define N 105
#define INF 1000000
int g[N][N], n;
int dist[N], route[N];
int ans[N], ast, aed, an;
bool vis[N];
void input()
{
	for (int i = 1; i <= n; ++ i)
		for (int j = 1; j <= n; ++ j)
			g[i][j] = INF;
	ast = aed = an = 0;
	int m, st, ed, wgt;
	scanf("%d", &m);
	while (m --)
	{
		scanf("%d%d%d",&st,&ed,&wgt);
		if (g[st][ed] > wgt) g[st][ed] = g[ed][st] = wgt;
	}
}
void getNewRoute(int st, int ed)
{
	an = 0;
	while (ed != st)
	{
		ans[an++] = ed;
		ed = route[ed];
	}
	ans[an++] = ed;
}
int dijkstra(int st, int ed)
{
	for (int i = 1; i <= n; ++ i)
	{
		vis[i] = false;
		dist[i] = INF;
	}
	dist[st] = 0;
	int node, mind;
	while (true)
	{
		node = -1;
		mind = INF;
		for (int i = 1; i <= n; ++ i)
		{
			if (!vis[i] && dist[i] < mind)
			{
				node = i;
				mind = dist[i];
			}
		}
		if (node == ed) return mind;
		if (node == -1) break;
		vis[node] = true;
		for (int j = 1; j <= n; ++ j)
		{
			if (g[node][j]!=INF && !vis[j] && mind+g[node][j]<dist[j])
			{
				dist[j] = mind+g[node][j];
				route[j] = node;
			}
		}
	}
	return INF;
}
void solve()
{
	int mincircle = INF, dijk;
	for (int i = 1; i <= n; ++ i)
	{
		for (int j = 1; j < i; ++ j)
		{
			if (g[i][j] != INF)
			{
				int tedge = g[i][j];
				g[i][j] = g[j][i] = INF;
				dijk = dijkstra(i,j);
				if (dijk + tedge < mincircle)
				{
					mincircle = dijk + tedge;
					ast = i;
					aed = j;
					getNewRoute(ast,aed);
				}
				g[i][j] = g[j][i] = tedge;
			}
		}
	}
}
void output()
{
	if (an != 0)
	{
		for (int i = 0; i < an-1; ++ i)
			printf("%d ", ans[i]);
		printf("%d\n", ans[an-1]);
	}
	else printf("No solution.\n");
}
int main()
{
	while (true)
	{
		scanf("%d", &n);
		if (n == -1) break;
		input();
		solve();
		output();
	}
}


  • 0
    点赞
  • 0
    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