uva 12655 Trucks(树剖+MST)

题目链接:点击打开链接

题意:给出n个点,m条双向边,每个边都有个权值(这个路可以通行的最大重量),然后有q个查询,每次查询u到v上最大可以运输多少重量(每次只从u出发一辆车)


分析:为使u到v运输重量最大,那么就要使u到v路径上最小的边尽量大,于是这里可以搞个最大生成树,这样就使得每一条边尽量大了,然后根据最大生成树建LCT,查询即可


#include<bits/stdc++.h>
using namespace std;
const int N=2e4+200;
#define mem(a,b) memset(a,b,sizeof(a))
typedef long long ll;
struct edge
{
    int v,next,w;
} e[N*10];
int siz[N],tid[N],rnk[N],top[N],faz[N],son[N],dep[N];
int first[N],tot,cnt,a[N],f[N];
struct Map
{
    int u,v,w;
} g[N*10];
struct node
{
    int l,r,minn;
    int mid()
    {
        return (l+r)>>1;
    }
} t[N<<2];
void add(int u,int v,int w)
{
    e[tot].v=v;
    e[tot].w=w;
    e[tot].next=first[u];
    first[u]=tot++;
}
void dfs1(int u,int father,int depth)
{
    siz[u]=1;
    dep[u]=depth;
    faz[u]=father;
    for(int i=first[u]; ~i; i=e[i].next)
    {
        int v=e[i].v;
        if(v!=father)
        {
            a[v]=e[i].w;
            dfs1(v,u,depth+1);
            siz[u]+=siz[v];
            if(son[u]==-1||siz[v]>siz[son[u]])
                son[u]=v;
        }
    }
}
void dfs2(int u,int t)
{
    tid[u]=++cnt;
    rnk[cnt]=u;
    top[u]=t;
    if(son[u]==-1)
        return;
    dfs2(son[u],t);
    for(int i=first[u]; ~i; i=e[i].next)
    {
        int v=e[i].v;
        if(v!=faz[u]&&v!=son[u])
            dfs2(v,v);
    }
}
void pushup(int rt)
{
    t[rt].minn=min(t[rt<<1].minn,t[rt<<1|1].minn);
}
void build(int l,int r,int rt)
{
    t[rt].l=l,t[rt].r=r;
    if(l==r)
    {
        t[rt].minn=a[rnk[l]];
        return;
    }
    int m=t[rt].mid();
    build(l,m,rt<<1);
    build(m+1,r,rt<<1|1);
    pushup(rt);
}

int query(int ql,int qr,int rt)
{
    if(ql<=t[rt].l&&t[rt].r<=qr)return t[rt].minn;
    int m=t[rt].mid(),ans=0x3f3f3f3f;
    if(ql<=m)ans=min(ans,query(ql,qr,rt<<1));
    if(qr>m)ans=min(ans,query(ql,qr,rt<<1|1));
    return ans;
}
int query_path(int u,int v)
{
    int ans=0x3f3f3f3f;
    while(top[u]!=top[v])
    {
        if(dep[top[u]]<dep[top[v]])swap(u,v);
        ans=min(ans,query(tid[top[u]],tid[u],1));
        u=faz[top[u]];
    }
    if(u!=v)
    {
    if(tid[u]>tid[v])swap(u,v);
    ans=min(ans,query(tid[son[u]],tid[v],1));
    }
    return ans;
}
void init()
{
    mem(son,-1);
    mem(first,-1);
    tot=cnt=0;
}
bool cmp(Map A,Map B)
{
    return A.w>B.w;
}
int getf(int x)
{
    return f[x]==x?x:f[x]=getf(f[x]);
}
bool mix(int x,int y)
{
    int tx=getf(x),ty=getf(y);
    if(tx!=ty)
    {
        f[tx]=ty;
        return 1;
    }
    return 0;
}
void kruskal(int n,int m)
{
    for(int i=1; i<=n; i++)f[i]=i;
    sort(g+1,g+1+m,cmp);
    int cnt=0;
    for(int i=1; i<=m; i++)
    {
        if(g[i].u==g[i].v)continue;
        if(mix(g[i].u,g[i].v))
        {
            add(g[i].u,g[i].v,g[i].w);
            add(g[i].v,g[i].u,g[i].w);
            cnt++;
        }
        if(cnt==n-1)break;
    }
}
int main()
{
    int n,q,u,v,w,m;
    while(~scanf("%d%d%d",&n,&m,&q))
    {
        init();
        for(int i=1; i<=m; i++)
            scanf("%d%d%d",&g[i].u,&g[i].v,&g[i].w);
        kruskal(n,m);

        dfs1(1,1,1);
        dfs2(1,1);
        a[1]=0x3f3f3f3f;
        build(1,n,1);
        while(q--)
        {
            scanf("%d%d",&u,&v);
            printf("%d\n",query_path(u,v));
        }
    }
    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