BZOJ P1412[ZJOI2009]狼和羊的故事

最小割经典例题

因为我们要把狼和羊隔开

但是在狼和羊的占地上是允许空地存在的所以我们

把狼到空地和羊的地方连一条流量为1的边

把空地到羊的地方连一条流量为1的边

然后S到所有狼连一条为inf的边

羊到T连一条inf的边

然后跑一边最大流

#include<iostream>
#include<algorithm>
#include<cmath>
#include<cstring>
using namespace std;
const int N=100003;
const int T=100001;
const int inf=0x7fffffff;
int to[N*2],nxt[N*2],v[N*2],head[N*2];
int q[N];
int dis[N];
int mp[103][103];
int tot=1,ans,n,m;
int xx[4]={0,0,1,-1};
int yy[4]={1,-1,0,0};
void insert(int a,int b,int val){
	to[++tot]=b;
	nxt[tot]=head[a];
	head[a]=tot;
	v[tot]=val;
}
void add(int u,int v,int w){
	insert(u,v,w);insert(v,u,0);
}
bool bfs(){
	memset(dis,-1,sizeof(dis));
	int h=0,t=1;
	q[0]=0;
	dis[0]=0;
	while(h!=t){
		int now=q[++h];
		for(int i=head[now];i;i=nxt[i]){
			if(v[i]&&dis[to[i]]==-1){
				dis[to[i]]=dis[now]+1;
				q[++t]=to[i];
			}
		}
	}
	if(dis[T]==-1){
		return false;
	}else{
		return true;
	}
}
int dfs(int now,int f){
	if(now==T){
		return f;
	}
	int use=0;
	for(int i=head[now];i;i=nxt[i]){
		if(v[i]&&dis[to[i]]==dis[now]+1){
			int w=f-use;
			w=dfs(to[i],min(v[i],w));
			v[i]-=w;
			v[i^1]+=w;
			use+=w;
			if(use==f){
				return f;
			}
		}
	}
	if(!use){
		dis[now]=-1;
	}
	return use;
}
void dinic(){
	while(bfs()){
		ans+=dfs(0,inf); 
	}
}
int main(){
	cin>>n>>m;
	for(int i=1;i<=n;i++){
		for(int j=1;j<=m;j++){
			cin>>mp[i][j];
			if(mp[i][j]==1){
				add(0,(i-1)*m+j,inf);
			}else if(mp[i][j]==2){
				add((i-1)*m+j,T,inf);
			}
		}
	}
	for(int i=1;i<=n;i++){
		for(int j=1;j<=m;j++){
			for(int k=0;k<4;k++){
				int nowx=i+xx[k],nowy=j+yy[k];
				if(nowx<1||nowx>n||nowy>m||nowy<1||mp[i][j]==2){
					continue;
				}
				if(mp[i][j]!=1||mp[nowx][nowy]!=1){
					add((i-1)*m+j,(nowx-1)*m+nowy,1);
				}
			}
		}
	}
	dinic();
	cout<<ans<<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