bzoj2595 [Wc2008]游览计划 斯坦纳树

Description


在这里插入图片描述

在这里插入图片描述

Solution


一开始还以为是什么奇妙的网络流。。

斯坦纳树裸题。所谓斯坦纳树就是求原图的一个子图,使得给定点集连通且边权之和最小。大概是最小生成树的拓展
设f[i,x]表示给定点集的连通性为i,下一条边可以从与x相邻的边中选的答案,我们可以

  1. 枚举i的子集设为j,f[i,x]=min(f[i,x],f[j,x]+f[i-j,x])
  2. 枚举x的邻点设为y,f[i,x]=min(f[i,x],f[i,y]+w[x,y])
    第一个转移可以直接上,第二个转移可以用最短路松弛。注意这里是一般的模型,权值都在边上

本题就是f[i,j,x]表示i行j列状态为x的答案,转移的时候注意权值在点上就可以了
输出方案的话每次记录转移方式,然后dfs即可

Code


#include <stdio.h>
#include <string.h>
#include <algorithm>
#include <queue>
#define rep(i,st,ed) for (int i=st;i<=ed;++i)
#define fill(x,t) memset(x,t,sizeof(x))

const int INF=0x3f3f3f3f;
const int N=12;

int f[N][N][(1<<N)+5];
int a[N][N],wjp[N][N][(1<<N)+5];
int xx[N][N][(1<<N)+5],yy[N][N][(1<<N)+5];
int dx[4]={-1,1,0,0},dy[4]={0,0,-1,1};
int id[N][N],n,m;

bool prt[N][N],vis[N][N];

std:: queue <int> que;

void dfs(int x,int y,int now) {
	prt[x][y]=true;
	if (!f[x][y][now]) return ;
	if (wjp[x][y][now]) dfs(xx[x][y][now],yy[x][y][now],now);
	else {
		dfs(x,y,xx[x][y][now]);
		dfs(x,y,yy[x][y][now]);
	}
}

void spfa(int rec) {
	for (;!que.empty();) {
		int x=que.front(); que.pop();
		int y=que.front(); que.pop();
		rep(k,0,3) {
			int tx=x+dx[k],ty=y+dy[k];
			if (!tx||!ty||tx>n||ty>m) continue;
			if (x&&f[x][y][rec]+a[tx][ty]<f[tx][ty][rec]) {
				f[tx][ty][rec]=f[x][y][rec]+a[tx][ty];
				wjp[tx][ty][rec]=1;
				xx[tx][ty][rec]=x;
				yy[tx][ty][rec]=y;
				if (!vis[tx][ty]) {
					que.push(tx); que.push(ty);
					vis[tx][ty]=true;
				}
			}
		} vis[x][y]=false;
	}
}

int main(void) {
	int cnt=0; scanf("%d%d",&n,&m);
	fill(f,31);
	rep(i,1,n) rep(j,1,m) {
		scanf("%d",&a[i][j]);
		if (!a[i][j]) {
			cnt++;
			f[i][j][1<<(cnt-1)]=0;
		}
	}
	rep(now,1,(1<<cnt)-1) {
		fill(vis,0);
		rep(i,1,n) rep(j,1,m) {
			for (int tmp=(now-1)&now;tmp;tmp=(tmp-1)&now) {
				if (f[i][j][tmp]+f[i][j][now-tmp]-a[i][j]<f[i][j][now]) {
					wjp[i][j][now]=0;
					xx[i][j][now]=tmp;
					yy[i][j][now]=now-tmp;
					f[i][j][now]=f[i][j][tmp]+f[i][j][now-tmp]-a[i][j];
				}
			}
			if (f[i][j][now]!=f[0][0][0]) que.push(i),que.push(j),vis[i][j]=true;
		}
		spfa(now);
	}
	int ans=INF,stx,sty;
	rep(i,1,n) rep(j,1,m) if (!a[i][j]) {
		if (f[i][j][(1<<cnt)-1]<ans) {
			ans=f[i][j][(1<<cnt)-1];
			stx=i,sty=j;
		}
	}
	printf("%d\n", ans);
	dfs(stx,sty,(1<<cnt)-1);
	rep(i,1,n) {
		rep(j,1,m) {
			if (!a[i][j]) putchar('x');
			else if (prt[i][j]) putchar('o');
			else putchar('_');
		} puts("");
	}
	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