BZOJ 1050 HAOI 2006 旅行comf SPFA动态加点

题目大意:给出S和T,求从S到T的最长边/最短边的最小值(分数形式输出)。


思路:和NOI2014的魔法森林很像啊,比较裸地动态加边,按照边的权值从大到小排序,然后一条一条的加进去,f[i]维护的是从S到i的路径上的最长边权的最小值,这样任意一个时刻,f[i]是S到i的最长边的最小值,当前加进去的边是所有边的最小值,计算答案更新答案就可以了。注意输出的判断。


CODE:

#include <queue>
#include <cstdio>
#include <cstring>
#include <iostream>
#include <algorithm>
#define MAX 10010
#define INF 1e6
using namespace std;

queue<int> q;

struct Complex{
	int x,y,len;

	bool operator <(const Complex &a)const {
		return len > a.len;
	}
	void Read() {
		scanf("%d%d%d",&x,&y,&len);
	}
}edge[MAX];

int points,edges;
int head[MAX],total;
int next[MAX],aim[MAX],length[MAX];
int s,t;

int f[MAX];
bool v[MAX];

inline void Add(int x,int y,int len)
{
	next[++total] = head[x];
	aim[total] = y;
	length[total] = len;
	head[x] = total;
}

inline void SPFA()
{
	while(!q.empty()) {
		int x = q.front(); q.pop();
		v[x] = false;
		for(int i = head[x]; i; i = next[i])
			if(f[aim[i]] > max(f[x],length[i])) {
				f[aim[i]] = max(f[x],length[i]);
				if(!v[aim[i]]) {
					v[aim[i]] = true;
					q.push(aim[i]);
				}
			}
	}
}

int main()
{
	cin >> points >> edges;
	for(int x,y,z,i = 1; i <= edges; ++i)
		edge[i].Read();
	sort(edge + 1,edge + edges + 1);
	cin >> s >> t;
	memset(f,0x3f,sizeof(f));
	f[s] = 0;
	double ans = INF;
	int up,down;
	for(int i = 1; i <= edges; ++i) {
		Add(edge[i].x,edge[i].y,edge[i].len);
		Add(edge[i].y,edge[i].x,edge[i].len);
		q.push(edge[i].x),q.push(edge[i].y);
		SPFA();
		double temp = static_cast<double>(f[t]) / edge[i].len;
		if(ans > temp) {
			ans = temp;
			up = f[t];
			down = edge[i].len;
		}
	}
	if(ans >= INF)	puts("IMPOSSIBLE");
	else {
		int gcd = __gcd(up,down);
		up /= gcd;
		down /= gcd;
		if(down != 1)	cout << up << '/' << down << endl;
		else	cout << up << endl;
	}
	return 0;
}


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